多Agent系统问题与挑战什么是多Agent系统
什么是多Agent系统？
最新论文指出，多Agent系统，并非几个大模型堆在一起就完了，而应当是一个具备分工、记忆共享和博弈机制的AI系统。
当前主流多Agent系统面临四大核心问题：
- 任务分配机制：目前大多系统采用“谁有空谁上”的机制，忽略Agent的能力匹配。例如，让擅长创意的Agent去处理代码修复，于是效率低下、适得其反。
- 记忆体系：在协作中，多Agent系统至少需要五类记忆支撑：短期记忆、长期记忆、情节记忆（记录过去协作经历）、共识记忆（共享知识结构）和权限记忆（访问控制）。如果没有体系化记忆系统，多Agent会集体“失忆”，任务之间也没有延续性。
- 上下文管理：真正的多Agent系统，需要每个Agent同步三层上下文信息——整体任务框架、自身负责模块、其他Agent当前状态。任意一层出错，系统就容易出现信息断链，导致错误频发。
- 协调机制：Agent之间的协作，不能靠简单的规则判断进行，而应靠博弈论机制达成最优策略平衡。研究指出，相较于自由协作的“纳什均衡”（Nash Equilibrium），“主从博弈”（Stackelberg Game）更符合“任务规划-响应执行”的真实决策模式。
文中提到，当前很多所谓的多Agent系统演示，只是多轮Prompt叠加的AI对话，远未形成真正的Agent系统结构。真正的多Agent系统，必须具备以下三大能力：
- 明确分工的角色架构
- 支撑多层次共享记忆的系统设计
- 能进行策略协商的博弈式智能集群
这些能力，将成为未来去中心化AI系统、自动化经济体、甚至Web3智能体节点的技术基础。
原文：arxiv.org/abs/2402.03578
