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)
该研究提示，在需要长期协作的多智能体场景中，如自动驾驶车队、分布式机器人系统或虚拟助手团队，允许智能体进行“社交性”互动可能有助于建立信任和默契，从而提高团队效率。
实验规模较小（13个智能体），在更大规模的多智能体系统中，行为动态可能更加复杂。
多智能体系统在生物医学发现中的优势在于可扩展性和覆盖度，但挑战在于如何确保智能体间的知识一致性和避免群体性错误传播。
GPT-Rosalind采用千智能体并行架构，将任务分解给数千个智能体，让它们并行搜索、连接和验证，每个智能体可能专注于不同的基因、通路或文献片段。
「对手建模」（opponent modeling）是博弈论与多智能体系统中的核心概念，指智能体根据对手的历史行为推断其策略类型、偏好与可能的下一步动作，并据此调整自身策略。
多智能体系统的调度逻辑难点在于：谁来决定下一步由哪个 Agent 执行、如何传递上下文、何时终止循环、冲突时如何裁决，工程上通常借助 LangGraph 的状态图、消息传递机制或专门的编排框架来实现，并需要处理 token 成本、死循环和错误传播等问题。
多智能体系统复现难度远高于单模型，编排逻辑、提示模板、工具权限、投票规则、随机种子均影响输出，任一环节未公开结果就无法独立检验。
多智能体系统存在通病：错误沿协作链条放大，聚合规则设计不当反而制造虚假共识；生物数据极度依赖领域知识，缺乏领域约束产出的新线索可能只是统计噪声。
在多智能体系统中，若所有智能体读同一检索结果、用同一基座模型、沿同一推理链，它们的独立投票实质是同一判断被复制多份，一致性高只说明同质化高而非结论可靠。
在统一图基底之上，作者部署了一个有状态的多智能体系统，通过有向循环图（DCG）进行编排。
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%已验证多智能体协作通过让多个专业化Agent分工配合来完成更复杂的任务
80%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%已验证多智能体协作方案试图解决AI编程中的上下文问题，但反而引入了更多的协调复杂度
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%已验证智能的记忆管理与长上下文能力是互补而非替代关系
75%已验证多Agent协作架构（MAS）通过多个专门化智能体各司其职并行运转，能规避单一大模型的上下文窗口限制问题
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%已验证多智能体并行落地面临三个核心挑战：上下文隔离、资源竞争、错误传播
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%已验证新手直接跳到复杂的多智能体协作而忽视基础调用稳定性会导致系统失败
75%已验证分层多智能体方案在落地时往往面临协调开销大、token 消耗高、调试困难等挑战
70%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%