多智能体系统：分工与协作的得失

为什么需要：把一切交给一个模型的局限

单智能体是在一个 LLM 上配一个系统提示词和几个工具，容易构建，也容易追踪其行为。但当任务变长、变复杂时，一个智能体既要制定计划，又要查资料、改代码、验证结果。上下文窗口（模型一次能看到的文本量）很快就会填满，自己检查自己写的答案也有局限。

多智能体系统是把这些工作分给多个智能体承担的设计。MANTA（paper）认为，基于 LLM 的多智能体系统之所以能很好地解决复杂问题，原因有四：任务分解、智能体专业化、信息交换和中间验证。这与人类组织把策划、执行、审核分开的逻辑相同。

另一个动机是“不同视角”。一项把多智能体审议用于法律推理的研究（paper）提出了两个受法庭程序启发的框架，整体性能与单个 LLM 相近，但给出的答案差异相当大。有些单个模型解决不了的案件多智能体能解决，反之亦然。据称，在需要从多个视角批判性分析的问题上，尤其能看到多智能体更好的案例。

不过，“分工就能做得更好”的预期何时成立，此前并不清楚。本文既讨论分工如何设计，也介绍检验协作是否真正值得的近期实验。

核心思想：组建项目团队

多智能体系统可以比作组建项目团队。团队负责人拆分工作（任务分解），决定把拆分后的工作交给谁（角色分配），确定会议结构（谁向谁汇报、谁与谁商量），项目结束后评估谁做得好、谁拖了后腿（功劳分配）。

这个比喻的要点在于，增加团队成员并不一定带来成果。会议多了，沟通成本上升；各人只看自己负责的部分，可能忽略全局；失败时也难以分清责任。多智能体系统同样面临这些问题。ACTS（paper）将决定“谁在何时与谁说话”的问题概括为协作性能与 token 成本之间的权衡，而 token 成本会随智能体数量呈指数增长。

因此，这一领域的研究大致分为四个问题：如何拆分工作？哪个模型适合哪个角色？如何设计沟通结构？如何把整个团队获得的单一奖励分配给各个智能体（Credit assignment，功劳分配）？后面各节都是对这四个问题中一个或多个的回答。

如何运作：分解、分配、沟通、验证

最常见的形式是层级式。主智能体（规划者或编排器）接收任务，将其拆分为子任务，再交给子智能体（负责特定子任务的辅助智能体）。M-GRPO（paper）研究的就是这种结构：由一个负责规划的主智能体和多个多次调用工具、执行实际工作的子智能体组成。

第一步是任务分解。DeOrch（paper）在这一步让规划者在不知道有哪些工作者的情况下先拆分任务，因为如果把工作者信息和规划绑在一起，每当工作者池（pool）变化，就得重新训练规划者。第二步是分配。DeOrch 设置了一个轻量匹配器（matcher），根据工作者在一组固定探测问题上的表现来估计适配度，运行时再用上下文老虎机（根据情境选择选项、从结果中学习的简单强化学习方法）持续校正。动态角色分配研究（paper）在正式辩论之前先举行决定“谁担任什么角色”的 Meta-Debate。候选模型针对各角色提出主张（提议），再依据数据和各角色的标准互相打分（同行评审），为每个位置选出最合适的模型。

第三步是沟通。智能体之间收发消息的连接结构称为拓扑。让所有智能体两两对话，信息丰富但 token 暴增；只连成一条线则便宜，但信息会受阻。MANTA（paper）从针对任务的初始拓扑出发，在运行中观察协作记录，一旦判断当前组织不足，就在限定范围内修改角色、连接、执行顺序、信息公开范围和验证路径。此时任务的输入输出格式和智能体预算保持不变。

最后是验证·汇总与学习。结果出来后，整个团队获得一个成功或失败信号，只有把它区分为规划的错还是工作者的错，才能看出下次该改哪里。DeOrch 将功劳有条件地分配给分解决策和协作决策；M-GRPO 则分别为主智能体和子智能体计算组相对优势，按层级分配功劳。

发展脉络：奠基研究的新贡献

2025 年的奠基研究从运营和学习两方面探讨了“如何把工作分给多个主体”。CrowdAgent（paper）受真实众包公司启发，用多智能体管理数据标注的全过程。其核心是把任务分配给 LLM、小型语言模型（SLM）和人类专家这些不同的标注主体，并同时管理质量与成本之间的平衡。这表明分工不仅是“模型之间”的问题，也是包括人在内的资源分配问题。

M-GRPO（paper）正面处理了训练方面的问题。以往所有智能体都用同一个 LLM 训练，但研究者认为各角色处理的数据分布不同，性能因此受限。若为每个智能体训练不同的 LLM，又会出现新问题：各智能体的调用频率不同，每次 Rollout（模型实际运行一次的过程）中子智能体的调用次数不同，而且它们部署在不同服务器上，导致反向传播中断。M-GRPO 用两种方法解决了这些问题：一是即使调用次数不同也能构建固定大小批次的 Trajectory Alignment 方法，二是服务器之间只通过共享存储交换最少统计量的解耦式训练流水线。研究报告称，它在 GAIA、XBench-DeepSearch、WebWalkerQA 上持续优于单智能体 GRPO。

2026 年，让角色和结构本身更加灵活的研究相继出现。动态角色分配（paper）叠加在现有辩论系统之上时，比所有角色都用同一模型的方式最多高 74.8%，比随机分配最多高 29.7%（因任务和分配组合而异）。MANTA（paper）在涵盖信息检索、工具使用、规划、工作流执行和数学推理的五个基准上平均得分 74.0，比最强基线高 5.8 个百分点。DeOrch（paper）比同类可学习编排器调用工作者更少，性能却更高，迁移到从未见过的工作者池时，无需重新训练也能保持效果。

同一时期，也出现了检验“协作是否真的有效”的研究。CRAFT（paper）是一个基准，其中每个智能体只能看到 3D 结构的一部分，只能通过自然语言进行协调。对 8 个开放权重模型和包括推理模型在内的 7 个前沿模型进行测试后发现，推理能力强并不意味着善于协调，小型开放权重模型有时与前沿模型相当甚至更好。个体沟通能力的提升并没有转化为团队的成功。该研究还提出了一个诊断框架，将失败分为空间理解、推断对方想法（信念建模）以及符合情境的沟通三类错误。

协作何时值得：得与失的实验

2026 年 10 月发表的两项研究通过受控实验检验了多智能体的优势。针对用户对话环境的研究（paper）验证了此前提出的“能力饱和规则”。该规则认为，单智能体较弱时协作有帮助，变强后反而有害，分界线在单智能体准确率 45% 附近，但它来自没有用户参与的自主基准。研究团队在 τ²-bench 的航空、零售、电信领域中——用户与智能体会共同改变状态——比较了用同一模型构建的单智能体和中心化多智能体。他们用三个系列的六个模型运行了约 7,950 次模拟对话，并事先公开注册了实验方案。

结果对多智能体不利。在固定的模拟用户下，13 个有效格子中有 12 个多智能体更差，剩下一个打平，加权平均为 -28 分。在规则预测会获益的两个格子中，也分别落后 13 分和 22 分；即使取消预算上限，也要消耗单智能体 5.5 倍的 token 才勉强持平。研究团队也自行指出了一个局限：多智能体中的规划者看不到工具模式（schema）。也就是说，这一结果针对的是“这种配置的多智能体”，但它也说明规划者与执行者之间的信息断层可能造成多大的损失。

金融审查研究（paper）对“分工能把文件审查做得更好”这一实务常识做了有针对性的检验。研究依据六项要求审查 300 份信用评级备忘录（合成数据），比较了一个智能体一次检查全部六项要求的方式，以及三个相同模型各检查两项要求的方式。团队多发现了 0.08~0.10 的缺陷，但在全部四个模型中误报（没有问题却判为有问题）也增加了。两者综合的平衡准确率变化不超过 0.02，token 消耗却是 2.2~2.4 倍。相反，把单智能体运行三次、只要有一次标出就算标记的方式，在部分模型上的平衡准确率比团队更高。当让每个智能体也看到自己未负责的要求时，增加的误报有所减少，这提示了“只看自己那份”的分工所带来的副作用。

综合两项研究，可以得到一条实用标准：判断多智能体的优势时，不应与单智能体运行一次相比，而应与把同样的 token 预算用于单智能体（多次采样、更长的推理等）相比，这样才公平。

当前走向：学习沟通结构的系统

最近的趋势是不由人预先设定角色和沟通结构，而是让系统根据情况学习或调整。前面提到的 MANTA（paper）是在运行中修改结构；DeOrch（paper）则是把规划与工作者选择分开，使工作者变化时无需重新训练系统。两者都把“团队构成”视为运营中调整的对象，而不是固定的设计选择。

ACTS（paper）把这一趋势聚焦到沟通调度问题上。其出发点是：现有方法要么固定沟通图，无法随解题状态变化，要么忽视了角色之间的互补关系。ACTS 在集中式训练·分布式执行（CTDE，训练时利用整个团队的信息、执行时各自判断的方式）框架内使用两种注意力。一个模块根据角色和当前执行状态选择本轮的对话对象（对象数量每次也可以不同）；另一个模块把由此形成的有向沟通图直接纳入团队价值分解，从而更准确地分配功劳。它在涵盖代码生成、多步推理、常识和数学竞赛题的 9 个基准上进行了评估。

这些研究的共同点在于，目标不是“更多对话”，而是“只要必要的对话”。考虑到上一节实验所揭示的 token 成本和信息断层问题，这是自然的方向。不过，这类可学习编排在用户对话型业务中能否超越单智能体，在现有输入资料中尚未得到确认。

局限与争议

第一是成本。智能体之间的消息也都是 token，角色越多，同一上下文被重复读取的次数也越多。金融审查实验（paper）的 2.2~2.4 倍、τ²-bench 实验（paper）的 5.5 倍这类数字表明，当性能差异很小时，成本会成为决定性的判断标准。

第二是信息断层和责任归属。分工使每个智能体无法看到全局。τ²-bench 实验中规划者看不到工具模式，金融实验中展示其他要求后误报减少，这是同一问题的两面。失败时判断是哪个智能体的错，即功劳分配，仍是训练中的核心难题，这也是 DeOrch（paper）、M-GRPO（paper）和 ACTS（paper）都在处理这个问题的原因。

第三，协调能力本身仍然薄弱。CRAFT（paper）得出结论：即使是强大的推理模型，在部分信息下的协调中也表现不佳，这个问题尚未从根本上解决。像法律审议研究（paper）那样，多智能体给出“不同答案”有助于扩大供人审查的候选范围，但这本身并不意味着准确率提升。

第四，从一般设计角度看，智能体和连接越多，消息经过的路径和权限也越多。只给每个智能体必要工具和信息的最小权限原则、对智能体间消息格式的检查等机制，比在单智能体中更加重要。

延伸阅读

如果想先大致了解协作的得失，建议从金融审查对比研究（paper）读起。它的设置简单，并且分别衡量漏检的缺陷和误报，因此能清楚看到“分工究竟改变了什么”。接着阅读用户对话环境研究（paper），可以了解能力饱和规则和公平的对比设计（预注册、token 账本）是什么。

如果想学习设计方法，可按以下顺序阅读：角色分配方面的动态角色分配（paper），通信结构方面的 MANTA（paper）和 ACTS（paper），以及规划与执行者分离方面的 DeOrch（paper）。这样可以逐一梳理四项决策（分解、分配、通信、信用分配）。如果也关心训练，用强化学习训练分层系统的 M-GRPO（paper）同时讨论了实际的基础设施问题（服务器分离、可变 Rollout），会有帮助。

如果想深入了解协作为何困难，可以看 CRAFT（paper）的失败分类；关于人与模型共同部署的运营视角，可以看 CrowdAgent（paper）；领域应用案例可以看法律审议研究（paper）。