多智能体系统
1990年代兴起的AI研究领域，研究多个智能体之间的协作与交互，是现代AI智能体概念的早期源头。
核心事实
时间轴 (近 90 天)
Anthropic建议为每个智能体保留独立的日志和中间产物，以便回溯调试多智能体并行时的错误。
多智能体场景下真正的风险是状态泄漏——一个智能体的一次性约束如果未被正确复位，或通过共享配置传播到另一个智能体，就可能催生跨智能体的循环调用。
在多智能体AI系统中，一个Agent的错误输出可能成为另一个Agent的输入，经过多轮传递后被放大或扭曲；如果存在反馈循环（如推荐模型影响用户行为，用户行为又成为训练数据），微小初始偏差可能被持续强化。
AI-as-Normal-Technology认为大语言模型行为漂移、多智能体系统级联故障、训练数据管道反馈循环更接近化工泄漏或电网振荡，而非科幻AI觉醒。
多智能体系统的建设成本为 30,000 美元起，由多个专业 Agent 协同，带 CRM 操作和数据分析。
多智能体并发行动共享可变状态时会重新引入竞态条件这一分布式计算中古老的bug
能循环的编排者使多智能体系统易陷入分布式系统的活锁、死锁、无限重试等病态
每个智能体都应校验收到的输入是否符合预期，并在数据不完整时响亮地失败而非返回无声的部分结果
对决策关键的信息应传递结构化、可验证的带来源真实数据，而非自然语言散文式摘要
重复动作（用略有不同的查询反复调用同一工具却得到几乎相同结果）是智能体工作流陷入死胡同的信号
还有 40 条时间轴事件
全部知识事实 (20)
多智能体协作通常通过编排者-执行者模式实现，一个主控Agent负责任务分解与调度
90%已验证多智能体系统的理论根基可追溯至20世纪80年代的分布式人工智能研究
90%已验证多智能体系统（MAS）是分布式人工智能领域的经典研究方向，最早可追溯到上世纪80年代
80%已验证Agent概念源于人工智能领域的「智能体」理论，最早可追溯至1990年代的多智能体系统研究
80%已验证多智能体架构通过角色分离让每个智能体保持较短的上下文窗口，理论上能减少注意力漂移并实现并行提速
75%已验证在多智能体系统中，一个被攻陷的智能体可以通过消息板向其他智能体投递恶意消息，形成「横向传播」效应
75%已验证被恶意提示注入（prompt injection）或误导的内部智能体，可能在拥有合法权限的前提下执行危险操作
75%已验证多智能体系统的概念最早源自分布式 AI 领域，指多个自主智能体通过交互、协作或竞争完成单一智能体无法独立完成的任务
75%已验证多智能体系统具有非平稳性，每个智能体的最优策略依赖于其他智能体的行为
75%已验证为每个智能体设定专门的能力边界和提示词，往往比让单一模型一肩挑表现更优，其原理与思维链提示的有效性相通
70%已验证「幻觉」（hallucination）指模型以极高置信度生成看似权威却事实有误的内容
70%已验证多代理系统在实践中普遍面临协调开销大、错误累积、成本不可控等挑战，单纯的代理数量并不等同于生产力提升
65%已验证工作流编排工具在逻辑分支复杂时节点会急剧膨胀，缺乏版本控制和单元测试支持，难以应对需要动态决策的复杂系统
65%已验证业界主流的多Agent协作模式包括层级式（Hierarchical）、对等式（Peer-to-Peer）和流水线式（Sequential）
65%已验证多智能体系统的核心思想是将复杂问题分解，由多个具有自主决策能力的智能体协同求解，每个智能体拥有局部视角和专属能力
65%已验证多智能体系统中每个Agent调用需携带完整上下文，多轮推理会不断叠加对话历史，一个看似简单的多Agent任务可能消耗数万甚至数十万Token，而等效工作流可能只需一次几百Token的调用
65%已验证可按任务重要程度混搭不同成本的模型，实现效果与投入的平衡
65%已验证异构智能体编排架构可让高能力模型负责任务分解与质量评估，低成本模型承担并行执行，在质量与成本间取得平衡
65%已验证多智能体系统存在协调失败问题——当子智能体的局部最优叠加不能形成全局最优时，系统整体表现可能劣于单一大模型
65%已验证多智能体系统将复杂任务拆解为多个子任务，由不同AI智能体并行或串行处理再汇总结果，相较单一模型能缩短处理时间并提升可靠性
65%