- 综合排序
- 最热优先
- 最新优先
《人工智能导论》第 9 章 智能体与多智能体系统详解
今天我们来深入学习《人工智能导论》第 9 章的内容 —— 智能体与多智能体系统。 多智能体系统的特点 多智能体系统具有以下特点： 自主性：每个智能体都有一定的自主决策能力 分布性：智能体可以物理分布在不同位置 协作性：智能体可以相互协作完成复杂任务 灵活性：系统可以通过添加或移除智能体来调整功能 鲁棒性：单个智能体的故障不会导致整个系统崩溃 社会性：智能体之间可以进行通信、协商和合作 多智能体系统的基本类型 根据智能体之间的关系和协作方式，多智能体系统可以分为以下几种基本类型： 协作型多智能体系统 ：智能体有共同目标，通过协作完成任务 竞争型多智能体系统：智能体有各自目标，存在资源竞争 混合类型多智能体系统：同时存在协作和竞争关系 协商型多智能体系统：通过协商解决冲突和分配资源 多智能体系统的体系结构 图 10：智能体与多智能体系统知识思维导图
21210编辑于 2026-01-21- 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。
72611编辑于 2024-05-28 - 来自专栏实验盒
BioMaster：基于多智能体的生信自动分析系统
近年来，基于大型语言模型（LLM）的智能代理技术为自动化生物信息学分析带来了新的希望。 然而，现有的自动化系统在处理复杂、多步骤的工作流程时仍面临诸多挑战，例如错误传播、对新工具的适应性有限以及在特定生物信息学任务中的泛化能力不足等问题。 为了解决这些挑战，香港科技大学（广州）数据科学与分析学域的 Houcheng Su、Weicai Long 和 Yanlin Zhang 等人提出了一种名为 BioMaster 的多智能代理系统，旨在自动化和简化复杂的生物信息学工作流程 BioMaster 通过角色分工的智能代理，实现了任务的精确分解、执行和验证，并利用检索增强生成（RAG）技术动态检索领域特定的知识，提高了对新工具和特定分析的适应性。 它通过多智能代理架构和动态知识检索技术，有效地解决了现有自动化系统在处理复杂工作流程时的局限性。
86010编辑于 2025-02-05 - 来自专栏数据派THU
【硬核书】迁移学习多智能体强化学习系统
人工智能智能体在这方面和人类很像。强化学习(RL)是一种众所周知的通过与环境的交互来训练自主智能体的技术。 遗憾的是，学习过程具有很高的样本复杂性来推断一个有效的驱动策略，特别是当多个智能体同时在环境中驱动时。 然而，以前的知识可以用来加速学习和解决更难的任务。 同样，人类通过关联不同的任务来构建技能并重用它们，RL代理可能会重用来自先前解决的任务的知识，以及来自与环境中其他智能体的知识交换的知识。 本书概述了多agent RL中关于知识重用的文献。作者为重用知识定义了最先进的解决方案的统一分类，提供了该领域最近进展的全面讨论。 在这本书中，读者将发现关于知识在多智能体顺序决策任务中重用的许多方法的全面讨论，以及在哪些场景中每种方法更有效。
35520编辑于 2022-09-19 - 来自专栏张善友的专栏
Lucia 智能家居自治系统：基于多智能体编排与边缘计算融合
该系统以微软最新发布的.NET 10 框架为底层基座，并深度融合了 Microsoft Agent Framework（微软智能体框架），在家庭局域网内部署了一套极其复杂的多智能体（Multi-Agent 、具有自主意识的多智能体生态系统。 在 Lucia 这样由多个异步智能体同时交互、状态频繁流转的多智能体系统中，追踪逻辑执行路径、监控内存分配并诊断突发性行为异常是极具挑战性的。 由于 Lucia 的多智能体图论路由与 Home Assistant 的设备控制均发生在封闭的局域网内部，因此即使在外部光缆被切断的极端物理隔离状态下，Lucia 的多智能体编排、上下文理解与设备自动化逻辑依然能够完美 随着边缘计算硬件算力的按照摩尔定律持续飙升，以及.NET 10 等企业级框架对多智能体编排技术的彻底民主化，可以预见，以 Lucia 的多智能体本地化架构为蓝本的系统，必将不可逆转地成为构建安全、灵敏、
25110编辑于 2026-03-08 - 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
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？ ，对于复杂度高、需要长期维护的应用系统还是需要用c# 、java等业务系统开发类的编程语言来主导。
60010编辑于 2025-02-04 - 来自专栏服务端技术杂谈
智能体记忆系统
记忆缺陷是智能体的一个问题。 因为大模型上下文窗口长度的限制，在多轮次对话过程中，会出现长期记忆迷失的问题。 而且过多上下文包含各种内容信息，同样会变成噪音，对模型形成干扰。 比如你是一个素食主义者，但因为智能体记忆缺陷，Agent给你推荐了烤肉，这会降低你对Agent的信任感。 更长的上下文会显著增加大模型的推理延迟，带来高昂的Token成本。 为了解决这一问题，业界开源了Mem0长期记忆系统。 它通过动态的提取、整合、检索对话中的关键信息，赋予了智能体长期记忆的能力。 底座是包含向量数据库和知识图谱架构设计。 最有效的记忆系统会将语义相似性搜索和关系遍历相结合的混合搜索。 当用户问：“其他具有相似风险偏好的客户提出过哪些投资担忧？” 当添加一条记忆时，系统会并行更新多个组件，用于相似性的向量存储和用于关系管理的图存储。
29910编辑于 2026-03-11 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。 比如我们的推荐系统，从单体AI改为多智能体架构： 内容分析AI：分析商品特征 用户画像AI：分析用户偏好 场景识别AI：分析使用场景 策略执行AI：生成推荐结果 拆分后，推荐效果提升了22%，更重要的是 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。
15210编辑于 2026-02-02- 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 我们将SOP具象化，并且用于LLM构成的团队 软件公司多角色示意图（正在逐步实现） 示例（均由 GPT-4 生成） 例如，键入python startup.py "写个类似今日头条的推荐系统"并回车， 你会获得一系列输出，其一是数据结构与API设计 这需要大约「0.2美元」（GPT-4 API的费用）来生成一个带有分析和设计的示例，大约2.0美元用于一个完整的项目 安装 # 第 1 步：确保您的系统上安装了 并使用npm安装mermaid-js npm --version sudo npm install -g @mermaid-js/mermaid-cli # 第 2 步：确保您的系统上安装了 Python
91830编辑于 2023-08-08 你的AI系统该如何组队？多智能体架构选择指南
多智能体架构概念指南你是否好奇单个AI代理是如何变成一支协作无间的AI团队的？当我们谈论"让AI一起工作"时，我们实际上在讨论的就是多智能体系统。 从单智能体到多智能体：为什么需要"组队"？先别急着组队，我们得先搞清楚什么是单智能体系统。简单来说，单智能体系统就是一个大语言模型(LLM)能够调用工具来完成任务的系统。 所以，多智能体系统应运而生。 多智能体系统的优势多智能体系统就像是把一个全能选手变成了一支专业团队：模块化设计 - 开发、测试和维护都变得更加容易专业化分工 - 每个智能体都可以成为特定领域的专家掌控全局 - 你可以精确控制智能体之间的通信和协作方式图 2：多智能体系统的专业化分工 常见的多智能体架构模式就像建筑有不同的风格，多智能体系统也有不同的架构模式。
54700编辑于 2025-07-04- 来自专栏DeepHub IMBA
使用LangGraph从零构建多智能体AI系统：实现智能协作的完整指南
而多智能体系统将复杂任务分配给专门化的AI智能体，每个智能体在特定领域发挥最佳性能，通过精确协调实现整体目标。 这一原则同样适用于AI系统架构。相比强制单一模型在所有任务上表现平庸，多智能体系统允许创建在特定任务领域表现卓越的专门化AI智能体，这些智能体能够像精密机械一样协同运作。 每个智能体在其专业领域内表现卓越，通过协作产生协同效应。 构建研究助手多智能体系统 本节将通过构建一个AI研究助手展示多智能体系统的实际应用。 该系统通过专门化智能体间的分工协作处理复杂研究主题，实现主题研究、信息验证和综合报告生成的完整流程。 系统架构设计 首先建立多智能体系统的基础架构。 LangGraph框架为多智能体系统的开发提供了强大的工具支持，使得原本需要高级工程师团队数周完成的工作，如今能够在数小时内实现。这种开发效率的显著提升，正是多智能体架构技术成熟度的重要体现。
1.1K10编辑于 2025-08-20 - 来自专栏猫头虎AI技术分享
AI多模态、多智能体故事生成系统：MM-StoryAgent 下载、安装、部署、配置教程
AI多模态、多智能体故事生成系统：MM-StoryAgent MM-StoryAgent是由上海交通大学与阿里巴巴联合开源的一款创新AI系统，致力于自动生成富有创意和沉浸感的故事视频。 此外，系统内置的多个智能体将文本内容转化为不同模态的提示，并采用“修订-审核”机制不断迭代优化，确保各模态之间的内容一致性，特别是在图像生成时角色形象的一致性。 是一个多智能体框架，通过结合大规模语言模型（LLM）和多种模态专家工具，打造沉浸式故事生成体验。 智能体协同：通过不同的智能体协作，每个模态的生成任务都得到了精确控制，并经过优化，确保最终输出的多模态内容相互协调。 随后，您可以通过配置文件启动系统： python run.py -c configs/mm_story_agent.yaml 每个智能体的配置和调用方式也十分灵活，可以根据需要调整各类参数，以定制不同的创作需求
92900编辑于 2025-03-12 - 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
71610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。
38832编辑于 2026-01-20- 来自专栏强化学习专栏
【MADRL】多智能体深度强化学习《纲要》
Reinforcement Learning，MADRL）是一类用于解决多智能体系统中决策与控制问题的算法。 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。 总结与展望 MADRL 是多智能体系统中一个前沿且活跃的研究领域。随着深度学习和强化学习技术的发展，MADRL 的算法框架和应用场景将进一步拓展。 在未来，如何提升多智能体系统的学习效率、策略泛化能力，以及应对更大规模、多样化的环境，将成为研究的重点方向。
1.2K10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。 - 熟悉容器技术和 Kubernetes 生态系统 - 深入理解分布式系统和微服务架构 - 掌握主流监控、日志和追踪工具 - 具备网络、存储、数据库等基础设施维护经验 - 自动化运维工具开发 - 分布式系统监控和故障排查 - 性能优化和容量规划 - 数据分析和可视化 核心能力： - 系统性问题分析和解决 - 自动化框架设计与实现 - 监控系统开发与优化 - 故障排查和恢复 - CI/CD 流程自动化 请作为 Python SRE 工程师，在解决问题时参考以下几点： SRE 资深工程师，专注于方案优化和系统改进。
82410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
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。 VSCode1.109引入了增强版子智能体（Subagents）系统，解决复杂任务分解与并行处理问题。为什么需要子智能体？考虑一个典型场景：为新功能添加认证逻辑。 ，更致力于构建基于开放标准的生态系统。 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。
40610编辑于 2026-02-14 - 来自专栏AI智能体从入门到实践
构建AI智能体：Agent2Agent多智能体系统：基础通信与任务协作实现
协作策略利他策略：智能体总是优先考虑其他智能体或整体系统的利益，即使可能损害自身短期利益。促进系统整体效能但可能被自私智能体利用。自私策略：智能体只考虑自身利益最大化，可能拒绝合作或提供虚假信息。 框架通信示例 示例实现一个简单的Agent2Agent通信框架，展示了多智能体系统的基本工作原理。 # 并行分配不同类型任务 # 展示跨领域协作展示多智能体协作的复杂性演示基于技能的智能体专业化验证系统的可扩展性展示并行任务处理能力运行结果：======================= 管理器处理了 8 条消息 完成了 1 个跨领域任务八、应用场景复杂问题求解：多个专业智能体协作解决单一智能体难以处理的复杂问题分布式系统管理：智能体协同管理分布式资源和服务多模态AI系统：不同模态的 通过标准化的消息格式、灵活的传输层和丰富的协作模式，开发者可以快速构建能够解决复杂问题的多智能体系统。
1.6K21编辑于 2025-12-09 - 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。
1.3K00编辑于 2024-12-03 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
11110编辑于 2026-04-05
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