超越單體智能｜多智能體系統的協作、歸因與自我演化綜述

本文由西安交通大學 MOE KLINNS Lab 聯合華中師范大學、聯想人工智能技術中心、悉尼大學等機構的研究者共同完成。共同第一作者為齊世豪、馬杰、邢瑞、郭威、黃瀟，通訊作者為來自西安交通大學網絡空間安全學院的馬杰特聘研究員（副教授）。

過去兩年，AI 智能體正在從「會對話的模型」變成能夠理解任務、拆解步驟、調用工具、維護記憶并根據反饋調整行為的系統。當任務復雜到單個智能體難以完成時，研究者開始把多個智能體組織起來，讓它們分工協作。 但系統規模擴大后，問題也隨之復雜。

任務失敗時，錯誤可能來自智能體能力、角色分配、通信過程、工具調用，也可能在多輪交互中被逐步放大。更進一步，系統能否根據失敗經驗調整角色、通信結構或協作流程，仍是當前研究面臨的重要問題。

圍繞這些問題，研究團隊撰寫了一篇系統綜述，面向 LLM 多智能體系統提供了一個完整的觀察框架：從單個智能體的能力基礎，到多智能體協作，再到系統失敗后的歸因，以及基于失敗經驗的自我演化。

• 論文標題：Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems
• 論文鏈接： https://arxiv.org/abs/2605.14892
• 項目倉庫： https://github.com/mira-ai-lab/awesome-mas-life

圖 1：LIFE 框架總覽圖

一、多智能體系統，不只是「多幾個 Agent」

今天的 LLM 智能體，已經不再是簡單的輸入輸出模塊。圍繞大語言模型，研究者加入了推理、記憶、規劃、工具使用等機制，使其能夠理解任務、制定計劃、調用外部工具，并根據執行結果調整后續動作。這些能力構成了多智能體系統的基礎。推理能力決定智能體能否處理復雜指令，記憶能力決定它能否利用歷史信息，規劃能力決定它能否拆解長程任務，工具使用能力則決定它能否突破模型自身的知識和執行邊界。

如果缺少穩定的單體能力，多智能體協作很容易變成多個不穩定模塊的疊加。協作并不會自動帶來更強的智能，反而可能放大錯誤、增加溝通成本，并讓系統表現更難預測。

圖 2：LLM-based Agent 的能力模塊示意圖

二、協作：讓智能體從個體走向組織

多智能體系統的核心首先是協作。

在現有研究中，協作機制通常圍繞角色、通信、調度和交互模式展開。角色決定不同智能體的職責，通信決定信息如何在智能體之間流動，調度決定任務如何推進，交互模式則與具體任務密切相關。代碼生成、科學發現、網頁操作、復雜問答、游戲環境，對協作方式的要求并不相同，很難依靠一種固定流程覆蓋所有場景。

這些設計讓智能體從「單點能力」進入「組織能力」。它們不再只是各自輸出答案，而是通過分工、溝通和調度共同完成更復雜的目標。與此同時，協作也會放大系統的不確定性。一個早期判斷可能影響后續分工，一次不完整的信息傳遞可能改變整個任務路徑，一個工具調用錯誤也可能被后續智能體繼續引用。多智能體系統越像一個組織，就越需要理解組織內部的問題從何而來。

圖 3：多智能體協作中的角色、通信與調度結構

三、歸因：理解失敗，而不只是記錄失敗

在單智能體系統中，失敗往往可以回到一個相對清晰的輸入輸出過程里分析。但在多智能體系統中，失敗很少只來自一個孤立步驟。一個早期錯誤判斷可能影響后續任務分解，一次不準確的工具調用也可能被后續智能體當成可靠證據繼續使用。

因此，多智能體系統需要的不只是最終評測分數，還需要對失敗過程的分析。故障歸因要追問的是：失敗發生在哪個階段？涉及哪些智能體？錯誤來自能力不足、角色設計、通信機制、調度策略，還是環境交互？錯誤又是如何在系統內部傳播的？

現有很多研究更關注如何構造協作流程、如何提高最終性能，卻較少討論系統失敗之后如何診斷。但如果沒有歸因，多智能體系統的改進就很容易變成盲目試錯。系統表現不好，并不直接說明應該改模型、改提示詞、改角色分工、改通信協議，還是改整個組織結構。在這篇綜述中，歸因被放在協作與演化之間，作用是把系統失敗轉化為可診斷、可修復的問題。

圖 4：多智能體系統中的錯誤傳播與故障歸因示意圖

四、自我演化：從修正輸出，到改進系統

如果歸因關注「哪里出了問題」，自我演化關注的則是「系統如何因此變得更好」。很多智能體系統已經引入了反思機制：模型總結失敗原因，修改下一輪回答，或者調整提示詞。這類方法有價值，但對于多智能體系統來說還不夠。

因為多智能體系統的改進對象不只是某個智能體的輸出，也可能是整個系統結構。

• Agentic Self-Evolution：面向單個智能體自身的演化，主要更新提示詞、記憶或參數等內部組件，讓智能體在后續任務中表現得更穩定。
• Systemic Self-Evolution：面向多智能體系統內部結構的演化，關注通信拓撲、智能體組合、共享記憶等系統級組件，讓多個智能體之間的協作方式能夠隨任務和反饋調整。
• Meta Self-Evolution：面向系統設計空間的演化，通過積累歷史設計經驗或訓練生成器，自動產生更適合不同任務的多智能體架構。

這意味著，多智能體系統的自我演化并不只是「讓模型反思」一下。它更接近一種系統級調整：根據任務表現和失敗反饋，持續修改自身的行為、結構和協作方式。

圖 5：從失敗歸因到系統自我演化的閉環

五、LIFE 框架：理解多智能體系統的完整生命周期

這篇綜述提出的 LIFE progression，可以理解為對 LLM 多智能體系統運行過程的一種梳理。它包含四個連續階段：

• Individual Intelligence：個體智能，關注單個智能體的推理、記憶、規劃和工具使用能力；
• Multi-Agent Collaboration：多智能體協作，關注角色、通信、調度和交互機制；
• Failure Attribution：故障歸因，關注系統失敗后的定位、解釋和診斷；
• Self-Evolution：自我演化，關注系統如何根據反饋持續調整自身。

以往綜述往往分別討論個體能力、多智能體協作或自我改進。LIFE 框架則把這些方向放到同一個生命周期中觀察：個體能力提供協作基礎，協作機制帶來系統級復雜性，故障歸因讓失敗過程變得可分析，自我演化則把診斷結果轉化為后續改進。

因此，LIFE 關注的不只是「有哪些方法」，而是一個多智能體系統如何運行、如何失敗，以及如何在失敗之后調整。

六、未來展望

LLM 多智能體系統已經展示出處理復雜任務的潛力，但要走向長期可靠的應用，仍需要在幾個關鍵方向上繼續推進。

• 更全面的評測體系：現有評測仍然偏重任務成功率，而多智能體系統還需要考察通信效率、角色貢獻、錯誤傳播、環境適應性和長期穩定性。
• 更靈活的協作結構：當前很多系統仍依賴人工設定角色、流程和通信方式。未來的系統需要根據任務需求動態調整組織方式，包括角色分配、通信路徑、調度策略和協作結構。
• 更有效的歸因與修復閉環：多智能體系統的失敗往往跨越多個角色和多輪交互。歸因的價值不應停留在解釋錯誤，而應進一步指導系統修復，例如調整提示詞、重新分配角色、修改工具調用方式或優化整體流程。
• 更可控的自我演化機制：當系統開始調整自身結構時，效率、安全和對齊問題會變得更加重要。未來的自我演化不能只是搜索更高性能的結構，還需要在成本、穩定性和可控性之間取得平衡。