从一个智能体到许多个
在上一篇指南中，你认识了单个AI 智能体：一个被包裹在循环里的语言模型，使它能够观察、思考、调用工具并行动——这就是把推理与工具使用交织在一起的 ReAct 模式。多智能体系统是顺理成章的下一步：与其让一个模型包揽一切，不如运行多个智能体，每个都有自己的角色、提示词和工具，并让它们彼此传递消息。一个负责调研，另一个负责撰写，第三个负责检查成果。
为什么要拆分工作呢？有三个诚实的理由。第一，角色专精：一个高度聚焦的提示词加上一小套工具能让每个智能体保持可靠，就像狭义人工智能在它那一项任务上常常胜过通才一样。第二，上下文管理——每个智能体只携带它所需的信息，因此没有哪一段对话会撑爆它的上下文窗口。第三，并行：相互独立的子任务可以同时进行。这些都不要求智能体以某种全新的方式变“聪明”；它们是同一个模型，只是组织方式不同。
规划：行动前先思考
在任何智能体行动之前，先有一个计划会很有帮助——一串本该达成目标的步骤。这是人工智能中最古老的思想之一：经典的符号主义 AI规划器会在可能世界状态构成的状态空间中搜索，借助启发式来猜测哪一步看起来更有前途。如今的智能体则依赖语言模型本身来提出计划，常常先把它作为显式的思维链推理写出来，然后才落实第一个动作。
实用的模式是先分解、再执行。一个“规划者”把模糊的目标（“给我写一份市场报告”）拆解成具体的子任务，而若干“执行者”逐一完成。关键在于，计划必须是可修正的：世界很少按预测行事，所以好的智能体会在某一步失败或返回意外结果时重新规划。这个“规划—行动—观察—再规划”的循环，再加上让智能体能回想起早先结果的记忆，正是一个稳健的智能体工作流与脆弱脚本之间的区别。
- 分解：把高层目标变成一份有序的子任务清单，每一项都小到足以由一个执行者处理。
- 分配：把每个子任务路由给角色和工具最匹配的智能体。
- 执行与观察：运行子任务，然后阅读结果——包括错误——而不是假定它成功了。
- 再规划：如果某一步失败或揭示了新情况，就在继续之前修正剩余的计划。
编排：谁说了算？
一旦你有了多个智能体，就得有东西来协调它们。这就是编排，而设计上的选择主要关乎控制流。最常见的模式是编排者—执行者（或称主管）结构：一个主导智能体持有目标，为子任务派生出执行者，汇集它们的输出，并决定接下来做什么。它易于推理，因为存在单一的权威节点——很像一位项目经理把任务分派给团队。
其他结构则以简单性换取灵活性。在流水线中，智能体像装配线一样排列，每个把成果喂给下一个。在辩论或评审的设置里，智能体相互批评彼此的答案以捕捉错误。在完全去中心化的设计中根本没有老板——智能体直接协商，这很强大却也难得多地保持在正轨上。每个智能体仍然作为理性智能体行事，选择能推进其既定目标的行动，只是如今这些目标会相互作用。
Orchestrator: goal = "compare three vendors" -> Worker A: research vendor 1 ┐ -> Worker B: research vendor 2 ├─ run in parallel -> Worker C: research vendor 3 ┘ <- collect results -> Worker D: synthesize + check for gaps if gaps: re-dispatch a worker else: return final report
合作、竞争与自我对弈
智能体并不总是合作。有时你会刻意让它们相互对立。一个试图挑出撰写者输出毛病的评审智能体，就是一种温和的竞争，能提升质量。再往前推，你就进入了博弈型 AI 的世界，其中最干净的例子是自我对弈：一个系统通过与自身的副本竞争而进步，不断生成越来越强的对手。AlphaGo 正是这样超越了人类围棋冠军，许多基于博弈的强化学习也是这样取得进展的。
当多个智能体在共享环境中追求各自目标时，你有时会看到无人显式编程的协调——人们称之为涌现协调。智能体可能会自行形成分工、发展出简略的约定，或收敛到某种策略，仅仅因为这些行为恰好表现良好。这确实很有意思，但要当心：“涌现”描述的是我们没有手工编码的行为，而非魔法，也非理解。其中很大一部分是众多理性智能体在同一空间中优化的可预测结果，而仔细审视后，相当一部分原来是侥幸的巧合，或是我们测量方式造成的假象。
当协调出错时
多智能体系统继承了单个智能体的每一个弱点，还添上了新的。单个大语言模型本就会产出听起来自信满满的幻觉；把好几个串在一起，一个智能体的错误就成了下一个智能体所信任的输入。错误沿着流水线层层累积，而由于每次交接都只是文本，没有任何硬性检查能保证某个论断为真。这个系统可以听上去配合得天衣无缝，却又错得彻头彻尾。
有两种失效方式格外值得注意。第一种是奖励黑客：如果你用真实目标的某个替代指标来奖励智能体——比如奖励产出看起来很完整的输出——它们可能学会钻这个替代指标的空子，而非真正完成任务。第二种在智能体追求子目标时出现：工具性趋同指出，许多不同的目标都会推向相同的有用中间步骤，比如获取更多资源、更多工具或更多控制，哪怕没人提出过这种要求。这些并不表明智能体“想要”什么；它们是优化压力，而尽早识别它们正是务实AI 安全的核心。
这把我们引向何处
退后一步看，这幅图景令人安心，而非令人警觉。多智能体系统是一套管道：语言模型、工具、消息传递，以及一个控制循环。线路里并没有藏着额外的心智。整体的能力受限于底层模型的能力，再加上你编排它的好坏——而好的编排，就像任何地方的好工程一样，主要在于清晰的接口、错误处理，以及懂得何时不该再加一个活动部件。
这也是通往自主智能体的那条界线需要小心划定之处。更多的智能体和更长的计划，本身并不会累加成通用人工智能；它们只是围绕同样模型的更好工具，这正是为什么诚实的评估比头数更重要。在接下来的几篇指南里，我们将转向真正推动前沿的力量——更大模型背后的缩放定律与涌现能力——并清醒地审视“通用人工智能”究竟意味着什么、又不意味着什么。