智能体与前沿
多智能体系统（multi-agent system）
/ MUL-tee-AY-junt SIS-tum /
多智能体系统，是几个AI智能体一起协作解决同一个问题，往往各扮演不同角色——就像一间小办公室：一个人查资料，一个人写稿，第三个人审核，再有一位经理派活、把结果拼起来。与其让一个模型什么都干，不如把任务分给若干会彼此交流（通常靠传递文字消息）的协作者。
它的魅力在于「分而治之」加上「各有所长」。不同的智能体可以配不同的工具、不同的指令，甚至不同的底层模型；而让一个智能体去批评或核对另一个的产出，能抓到单趟流程会漏掉的错误。这套思路，既借鉴了同名的一个更老的研究领域（其中相互独立的软件「智能体」会协商与协调），也借鉴了人类团队的分工方式。
但它的代价很容易被低估，而这个领域对此相当坦白。每多一个智能体，就是又一个模型在跑，所以多智能体方案可能比单次调用慢上、贵上好几倍。错误也不会乖乖待在原地——一个智能体给出的错误事实，可能被下一个自信地传下去、放大开来。智能体之间还可能彼此误解、绕圈打转，或一起认同同一个错误。实践中，一个设计精良的单智能体常常胜过一群；只有当任务确实能拆成相互独立的部分时，你才真正需要多个智能体。
为了写一份市场报告，一个「研究员」智能体用搜索工具搜集数据，一个「写手」智能体把数据写成文章，一个「审核」智能体对照数据检查文章、标出没有依据的说法。一位「协调员」分派工作、组装出最终文档。要是审核员逮到一个编造的数字，就把那一段退回给写手——这道检查，单个智能体很可能会跳过。
各有专长、互相核对的角色——代价是更多次模型调用。
智能体更多，并不等于更聪明。若几个智能体用的是同一个模型，它们就共享同样的弱点，于是可能自信地彼此强化错误，而不是纠正它。真正的好处来自实实在在的分工和独立的核查——而不是单纯往屋里多塞几张嘴。
又称
另见