多智能体系统：从经典范式到LFM赋能的未来

作者王子翔（Zixiang Wang）及合作者撰写的arXiv综述论文已被IEEE/CAA《自动化学报》接收，系统地将多智能体系统（MAS）经典文献与依赖大型基础模型（LFM）的现代方法相结合。该论文发布于2026年4月20日，是首批正式记录这一范式转变的论著之一。

经典MAS框架提供了什么？

传统MAS系统通过四个核心维度组织智能体：感知、通信、决策和控制。这四个维度构成了闭环协调框架，使智能体能够互换状态、协商角色并执行任务。

经典方法依托控制理论基础——数学上可证明的协议、固定的通信模式和显式建模的状态。典型案例包括无人机群的共识算法、任务分配的拍卖协议以及随机环境中的马尔可夫决策。

这种方法的优势在于可证明性——我们可以从数学上保证收敛性、稳定性和最优性。其劣势在于刚性——每项新任务都需要重新建模。

LFM如何改变格局？

据作者介绍，LFM使智能体能够「将协作从低级状态交换提升至语义推理」。智能体不再传递数值向量，而是用自然语言相互通信、共享上下文，并就计划共同推理。

这带来了自适应协调策略——智能体可以即兴创建协议，无需预定义模式即可协商角色，并在协作中运用基础模型的全部知识。论文指出，这一转变类似于人类通信从汇编语言到自然语言的演进。

综述从架构、运作机制、适应潜力和实际应用场景等维度对经典方法与LFM方法进行了比较。

哪些研究方向仍待探索？

作者识别出该领域未来面临的若干关键挑战。首要挑战是验证与可靠性——基于LFM的智能体失去了经典协议的形式保证，难以证明其不会陷入停滞或产生有害结果。其次是通信的可扩展性——在数百个智能体之间实时交换自然语言代价高昂。

第三个挑战是涌现行为——协调可能产生未经显式编程的意外现象。综述将其视为机遇（适应性）也是风险（不可预测性）。在自主车队或分布式AI助手等系统中的实际应用，将需要两种方法的结合——LFM的语义推理与经典协议的形式保证。

该论文对所有从事AutoGen、CrewAI或LangGraph等LLM智能体框架工作的人员是一份有价值的参考指南，因为它将这些框架的理念置于数十年MAS研究的历史背景之中。