- 综合排序
- 最热优先
- 最新优先
多智能体架构的核心功法
这让我意识到：多智能体不是技术升级，而是组织升级。 多智能体不是简单叠加，而是化学反应 很多人听到"多智能体"，第一反应是"不就是多调用几个AI接口吗"。这种理解太表面了。 这些问题解决不好，多智能体就会从"提升效率"变成"增加负担"。 企业落地的三个关键门槛 经过两年的实践，我总结出企业落地多智能体的三个关键门槛： 第一个门槛：找到合适的分工边界 不是所有业务都适合用多智能体。有些场景用单体AI更高效，有些场景必须用多智能体。 如果任务相对简单且变化不大，单体AI足够；如果任务复杂且经常变化，多智能体的优势就体现出来了。 对于企业来说，关键不是要不要用多智能体，而是什么时候用、怎么用、用在什么地方。 我们的经验是：从简单场景开始，逐步复杂化；从单体AI开始，逐步多智能体化；从技术验证开始，逐步业务化。
20110编辑于 2026-02-02- 来自专栏张善友的专栏
OpenAI官方开源多智能体框架「Swarm」，并不是我想要的多智能体框架
今天早上，OpenAI实施团队的 @shyamal在Github上开源了Swarm这个OpenAI官方的多智能体框架。 这个多智能体框架确实已经把多智能体的关键，说的很透彻了，Swarm 里面定义了两个核心「Agents」和「Handoffs」，多智能体的核心是在这个Handoffs上面。 个人观点认为他的设计还没有我们的多智能体框架好用，OpenAI的[Swarm]是docker swarm，我们的多智能体框架就是k8s，我需要的是像k8s编排容器那样编排智能体，我们刚刚在9月26日对外发布了多智能体的工业设计产品 多智能体的核心难题其是不同智能体之间的通信问题。怎麼传递信息，传哪些信息，这些都很重要。多个智能体协作，也只需要在必要的时候被调用起来就可以了。 OpenAI的Swarm 目前还处于实验阶段，期望他发展成为k8s 这样的一个多智能体编排框架： 这个框架是python写的，大家觉得用python 写多智能体应用是好选择吗？
73610编辑于 2025-02-04 - 来自专栏测试开发囤货
MetaGPT：多智能体元编程框架
MetaGPT：多智能体元编程框架 使 GPTs 组成软件公司，协作处理更复杂的任务 MetaGPT输入「一句话的老板需求」，输出「用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等 您可以使用以下命令进行检查： python --version # 第 3 步：克隆仓库到您的本地机器，并进行安装。
1K30编辑于 2023-08-08 - 来自专栏新智元
DeepMind制霸《雷神之锤3》！碾压人类的超级多智能体这样训练
AI智能体在游戏中，无论是跟同类打配合，还是跟人类组团，完全天衣无缝，表现的不像个机器人。DeepMind的科学家已经在筹划将夺旗中的方法，应用在雷神之锤3的全部游戏模式中。 想想我们人类之间团队配合的难度，就知道设计这样的多智能体有多难了！ 多智能体克服难题的秘诀 具体到《雷神之锤3·夺旗》中，智能体面临的挑战是直接从原始像素中学习以产生动作。 越是简单的规则，越能衍生出多种多样的玩法，在人类来说是增加了趣味性，在多智能体来讲就是增加了难度。为了继续刁难多智能体，游戏地图被设置成每局一换，以防止多智能体靠着优于人类的记忆来获得地利优势。 而且，《星际争霸2》不会成为AI多智能体能力的极限，DeepMind还在不断给多智能体加大难度，利用多智能体训练中总结出的经验，用于开发高鲁棒性的、甚至可以与人类合作的强大智能体。 智能体在全尺寸地图上玩《雷神之锤3》其他多人游戏模式 更多详细信息，请参阅论文。
85920发布于 2019-06-03 - 来自专栏数据科学和人工智能
DeepMind 最新教程：多智能体学习
DeepMind团队最新做的关于多智能体学习的教程 DeepMind团队最新做的关于多智能体学习的教程
74610编辑于 2022-03-31 2026 年智能体架构综述：从笨重设计到多智能体架构（MAS）
如果把 2024 年比作智能体的“前哨战”，那么 2026 年就比作真正生产级智能体的“分水岭”。 取而代之，是像微服务演进同样必然的范式：多智能体系统（Multi-Agent System, MAS）。01 笨重设计的最终路：为什么分离剂玩不动了？在早期探索中，我们习惯于构建“全能型智能体”。 设计模式在处理简单的演示时表现出色，但在真实的企业级场景（如复杂的金融审计、供应链调度）中却暴露了三个致命伤：认知的“过度过度”：当一个智能体被要求同时掌握代码编写、合规审核和风险评估时，LLM 的长上下文 专家、景观设计师、创意专家……这些子智能体实时同步进度，形成了一个“永不掉链子”的协作环。 这就是 2026 年的现实：人工智能不再是一个查询工具，正在成为企业的操作系统（Agent OS）。 随着模型上下文协议（MCP）等协议的成熟，智能体之间的协作负载已经成为冰点。 如果你还在尝试用一个庞大的提示解决所有问题，那么现在就停下来重新思考架构的时候了。
71032编辑于 2026-01-20多智能体仓库AI指挥层技术架构
多智能体仓库AI指挥层实现运营卓越与供应链智能仓库的“大脑”：解决碎片化运营难题尽管仓库的自动化和数据丰富程度已达历史新高，但多数站点仍然依赖一套难以跟上节奏的系统：仓库管理系统（WMS）、少量仪表盘和分散的岗位知识 主管们需要管理12类以上的设备、数千个班次任务以及持续不断的数据流，却没有任何统一的智能系统来解读全局或指导下一步行动。本文介绍多智能体智能仓库（MAIW）蓝图——一个缺失的关键层。 设计目标：展示某机构AI技术栈（包括NIM、NeMo、cuML、cuVS）如何驱动运营助手提供镜像仓库角色的多智能体架构：设备、运营、安全、预测、文档处理将检索增强生成（RAG）、预测和文档AI统一到单一工作流内置真实的安全性 编排的专用AI智能体团队，通过模型上下文协议（MCP）共享工具访问、外部系统调用和实时数据检索层。 智能体功能规划与通用路由意图、分解任务、选择合适智能体设备与资产跟踪管理叉车、AMR、传送带；检查遥测、维护和利用率运营协调管理任务、波次、人员配置和KPI；诊断瓶颈并执行修复安全与合规强制执行SOP和法规
22610编辑于 2026-04-05- 来自专栏强化学习专栏
【MADRL】多智能体深度强化学习《纲要》
文章强化学习： 强化学习（3）---《【MADRL】多智能体深度强化学习《纲要》》 【MADRL】多智能体深度强化学习《纲要》 多智能体深度强化学习（Multi-Agent Deep 多智能体深度强化学习将深度学习与多智能体强化学习结合，使得智能体能够在复杂、高维的环境中学习到有效的策略。 背景与挑战 多智能体系统中的强化学习任务包含多个智能体，每个智能体在与环境和其他智能体的交互过程中不断学习。 MARL GAN：结合生成对抗网络（GAN）框架，通过模拟对抗性智能体来提升策略鲁棒性。 3. 策略梯度方法：如 A3C、PPO 等，在多智能体环境中能够处理连续动作空间的问题，适合协作与对抗场景。
1.4K10编辑于 2024-12-03 - 来自专栏panzhixiang
大模型多智能体简单应用案例介绍
多智能体角色的说明 最近在尝试 LLM Multi Agent（多智能体）的应用场景，下面给一个最近觉得还比较好用，也不是很麻烦的案例。 擅长写代码、把流程和操作自动化 sre_reflection 这个角色用于反思，他会对前面两个 Agent 的回答进行反色，找出问题，并提供优化建议 sre_engineer_00 这个角色主要用于总结前 3 设置 1 的话效果一般没有 2 好，大于3的话又显得太繁杂了。 排查方案 - 具体排查步骤 - 使用的工具和命令 - 关键日志和指标 - 排查注意事项 3. 技术方案 - 自动化实现代码 - 监控集成方案 - 验证测试方法 3.
93410编辑于 2025-02-11 - 来自专栏AI
VSCode 正式发布：全新多智能体开发平台
VSCode在2026年2月发布的1.109版本中，正式将多智能体开发体验提升到新高度：在单一编辑器内运行Copilot、Claude与Codex智能体，统一管理所有会话，为每个任务选择最合适的工具。 一、统一的智能体会话管理：AgentSessions视图多智能体开发的核心挑战在于会话管理。 ：研究型子智能体：只读权限+网络搜索工具实现型子智能体：完整编辑权限安全审计子智能体：专注漏洞扫描的专用提示词四、开放标准：MCPApps与AgentSkillsVSCode的多智能体战略不仅关注功能集成 标志着多智能体开发体验的重要转折点：开发者无需在不同工具间切换，也无需为每个新智能体重新学习工作流。 通过统一的会话管理、开放的标准支持与灵活的编排能力，VSCode正在成为多智能体时代的开发者首选平台。
88810编辑于 2026-02-14 - 来自专栏强化学习专栏
【MADRL】多智能体价值分解网络（VDN）算法
文章分类在强化学习专栏： 【 强化学习】（11）---《多智能体价值分解网络（VDN）算法》 多智能体价值分解网络（VDN）算法 1.算法介绍 多智能体强化学习（MARL, 在多智能体系统中，每个智能体不仅需要根据自己的观察做出决策，还需要与其他智能体协作以实现全局目标。 2.1价值分解 在传统的单智能体强化学习中，Q值函数 表示在状态 下采取动作 的价值。对于多智能体系统，联合Q值函数 表示在状态 下所有智能体联合动作 的总价值。 3.VDN算法的优势与局限 3.1优势 简化联合Q值学习：VDN将全局Q值函数分解为多个局部Q值函数，显著减少了学习的复杂性，特别是对于有较多智能体的系统。 分散执行：每个智能体只需根据自己的局部观察和Q值进行决策，不依赖其他智能体的具体动作，适用于具有局部观测的多智能体任务。
1.5K00编辑于 2024-12-03 - 来自专栏NLP/KG
【一】MADDPG-单智能体|多智能体总结（理论、算法）
产生问题： 1–传统的多智能体RL算法中，每个智能体走势在不断学习且改进其策略。由此，从每个智能体的角度来看，环境是不稳定的，不利于收敛。 而传统的单智能体强化学习，需要稳定的环境 2–由于环境的不稳定，无法通过仅改变智能体本身的策略来适应动态不稳定的环境。 3–由于环境的不稳定，无法直接使用经验回放等DQN技巧。 ---- 2.多智能体 （转） 1-如图所示，多智能体系统中至少有两个智能体。另外，智能体之间存在着一定的关系，如合作关系，竞争关系，或者同时存在竞争与合作的关系。 每个智能体最终所获得的回报不仅仅与自身的动作有关系，还跟对方的动作有关系。 2-多智能体强化学习的描述：马尔可夫博弈。状态转换符合马尔可夫过程，关系符合博弈。 3-一般来说，在马尔可夫博弈中，每个智能体的目标为找到最优策略来使它在任意状态下获得最大的长期累积奖励。
4.9K20编辑于 2022-12-01 - 来自专栏设计模式
Anthropic官方：AI智能体的 3 种工作流 和 5 种多智能体协同模式
本文结合 Anthropic 官方的两篇博客系统梳理出来了 3 类主流工作流模式与 5 种多智能体协同范式。 完全自主智能体：自主决定工具、顺序与终止条件。 工作流架构：固定整体流程，步骤内保留智能体动态能力。 多智能体协同：多专业智能体分工协作，处理单智能体无法胜任的复杂任务。 生产实践遵循最简原则： 优先单智能体→再工作流→最后多智能体，仅在复杂度与收益匹配时升级架构。 三大核心工作流模式 1. 优点：职责清晰、全局可控、子智能体专业化。 瓶颈：调度器易成信息瓶颈，跨子智能体信息传递易丢失。 典型：主智能体调度后台子智能体并行搜库、查问题，不阻塞主线程。 3. 多智能体：用生成-验证、调度-子、智能体团队、消息总线、共享状态实现复杂任务协同。 从最简开始、按需演进、可观测优先、量化收益，让智能体真正解决业务问题。
78310编辑于 2026-04-22 多智能体一致性算法
所有智能体的某个状态量（位置、速度、成本等）通过 局部邻居通信 最终收敛到同一个值。 二、1-D 离散时间一致性（5 行 MATLAB 代码）% 一阶离散一致性N = 5; % 智能体个数A = [0 1 1 0 0; % 邻接矩阵 阶ṗᵢ = vᵢ , v̇ᵢ = − kₚ ∑ aᵢⱼ (pᵢ − pⱼ) − kᵥ ∑ aᵢⱼ (vᵢ − vⱼ)order=2cons_protocol高阶含加速度、欧拉-拉格朗日order=3cons_el.m
28610编辑于 2025-09-02- 来自专栏强化学习专栏
【MADRL】多智能体双延迟深度确定性策略梯度（MATD3）算法
文章分类在强化学习专栏： 强化学习（7）---《【MADRL】多智能体双延迟深度确定性策略梯度（MATD3）算法》 多智能体双延迟深度确定性策略梯度（MATD3）算法 1.MATD3算法介绍 在多智能体场景中，每个智能体不仅要与环境交互，还需要适应其他智能体的行为。MATD3结合了TD3的稳定性增强机制，并将其应用到多智能体系统中，使其能够在混合协作与竞争的环境下表现更佳。 3.算法结构 MATD3算法同样是基于Actor-Critic架构的多智能体强化学习算法，其中每个智能体都有独立的Actor网络和双Critic网络。 解决多智能体非平稳性问题：多智能体环境下，其他智能体的策略会影响每个智能体的策略学习。MATD3通过全局信息的中心化训练方式，使得每个智能体能够学习到更加鲁棒的策略。 8.总结 MATD3算法是TD3算法在多智能体场景下的扩展，通过中心化的Critic结构和去中心化的Actor结构，MATD3能够有效应对多智能体环境下的挑战。
1.9K10编辑于 2024-12-03 - 来自专栏phodal
Shire 智能体市场：IDE 一键安装多智能体，协同打造集体智慧 Copilot
太长不看版：在新版本（0.8）的 Shire 中，你可以通过 Shire 智能体市场，一键下载和安装多个智能体，并直接在你的当前项目中使用。 与此同时，你还可以 将你的 Shire 代码段或者智能体上传到 Shire 智能体市场。 详细见视频： WHY：AI 智能体应用于真实世界软件开发的挑战？ 基于团队的流程、规范，来编写生成代码、生成测试用例等智能体。 通过智能体市场，来下载、安装、使用团队的智能体。 通过将团队的知识与代码库、团队上下文等紧密结合，我们可以实现更高效的软件开发。 诸如于，用户可以选择”API 设计、生成与文档“这个智能体包， 便可以直接在 IDE 中使用这这些智能体。 其它 Shire 新功能 在新版本（0.8）的 Shire 中，你还将体会到： model 参数，用于在 Shire 代码中指定模型的名称，以支持多模型的调用。
31800编辑于 2024-11-22 - 来自专栏DeepHub IMBA
ADK 多智能体编排：SequentialAgent、ParallelAgent 与 LoopAgent 解析
单个智能体的专业化程度有上限，真正的工作需要团队：一个角色接收订单，一个检查库存，一个安排生产，一个验证质量。 ADK 的编排模式：SequentialAgent、ParallelAgent、LoopAgent可以将多个智能体组合成工作流，流程只定义一次，状态在智能体之间自动传递，故障由系统托管。 它为每个智能体的输出命名，后续智能体用 {placeholder} 语法引用，ADK 自动完成状态传递。 并行执行意味着更高的资源开销，因为大量智能体同时运行时，API 速率限制和 Token 消耗都应纳入考量。 模式 3：LoopAgent——质量控制循环 需要反复迭代直到满足某个条件时适用。 状态管理：数据在智能体之间的流转 这是整个编排机制的核心。ADK 依靠 output key 和占位符语法自动完成状态传递。
20410编辑于 2026-04-15 - 来自专栏媒矿工厂
CVPR 2023教程 | 多模态智能体-链接大模型
v=Wb5ZkZUNYc4&list=PLB1k029in3UhWaAsXP1DGq8qEpWxW0QyS&index=6 内容整理：王怡闻 在 Linjie Li 的演讲中，她回答了多模态智能体中的重要问题之一 ：如何用大模型将多模态智能体串联起来。 图3 这种范式在NLP领域已有所应用，将一些特定的工具（如搜索引擎等）应用到更加复杂的任务上。 图4 受到NLP领域的启发过去几个月间，多模态智能体领域的进展十分迅速，并且涉及到了多个领域，如下图。 后面将以MM-ReAct作为例子展示多模态智能体是如何工作的。 而随着大模型的不断更新，在这个新范式下建立的多模态智能体系统的能力也会随之增强。 图9 GPT + SAM -- 理解人类指令 我们可以将不同的模型结合到一起，以应对更复杂的任务。
74430编辑于 2023-09-09 多 Agent 协作：如何终结智能体的“死循环”？
我们已经从单 Agent（Single Agent）的“大力出奇迹”时代，正式步入了多 Agent（Multi-Agent Systems, MAS）协作的“精耕细作”时代。 对于习惯了强类型、高并发且追求确定性的 Go 开发者来说，多 Agent 系统中的非确定性协作往往是最大的挑战。 在多 Agent 协作中，死循环通常不是偶然的，而是由以下几个底层逻辑共同导致的技术必然。 首先是语义镜像效应。Agent 本质上是概率预测模型。 写在最后 多 Agent 协作系统中的死循环问题，本质上是分布式智能系统在缺乏中心调度时的自发性混乱。 随着 Agentic Workflow 的不断成熟，未来的编排框架（如 LangGraph 的图形化控制）将内置更智能的冲突仲裁器和死循环自动识别引擎。
20410编辑于 2026-05-08- 来自专栏陶士涵的菜地
多 AI 智能体系统- AI 智能体的 6 个关键要素
一个优秀的智能体具备六个要素： 1. 角色扮演： 给 LLM 设定一个角色，可以让 LLM 生成的结果和这个角色的能力更相关。 比如翻译任务，如果一个智能体一次翻译可能结果一般，但是如果分成多个智能体，先直译然后反思最后意译结果就好很多。 3. 使用工具 智能体有能力调用工具，并且能选择最适合当前任务的工具。 协作 通常对于复杂的任务，不是一个智能体在完成任务，而是多个智能体一起完成任务，那么在整个过程中，需要确保智能体之间能相互通信，比如一个智能体的输出可以作为下一个智能体的输入，比如有一个智能体专门负责调度根据中间结果调用不同的智能体 所以对于多智能体系统，还需要设计好工作流，确保智能体之间整体协作的通畅。 这种协作不仅是指智能体和智能体之间，也包含人和智能体之间的协作。 现在的智能体还不足以智能到自始至终能做出正确的决策，有时候还需要人工的干预，在中间及时给出反馈，有错误给予纠正，缺少信息补充上下文。
80511编辑于 2024-05-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号