多智能体协作
多个AI智能体实例通过角色分工、通信协议、协调机制和状态一致性管理，协同完成复杂任务的工程范式
核心事实
时间轴 (近 90 天)
多智能体协作的五个关键设计要素：角色边界、共享上下文、交接契约、编排、人类审查点。
智能体研究已从早期概念验证转向多智能体协作中的信用分配、工具使用中的错误恢复、长程任务中的记忆管理等子问题。
人在环中的多智能体模式可能是AI辅助科研落地的重要形态。
多智能体协作的优势在于专业分工与并行探索，但引入协调成本、重复计算和错误传播的风险。
拖拽式智能体的优势是调试直观、上手快，非技术人员也能维护；局限在于处理高度定制逻辑时不如代码灵活，复杂流程可能受节点能力边界约束。
多智能体架构相比单体Agent具备分工优势，但代价是系统行为不再是单一因果链，而是多个决策点交织形成的复杂网络
在多智能体流水线中，下游Agent的输出质量高度依赖上游Agent传入的上下文，上游偏差会沿链路放大
记忆在Agent系统中是跨轮次、跨Agent累积的状态，一个Agent写入的错误结论可能被另一个Agent在数轮之后读取并作为事实依据，这类污染具有隐蔽性和滞后性
多个Agent从不同角度给出意见并相互审查（会诊），可以降低单点误判的风险
多个Agent协作意味着更多上下文传递、更高token消耗和更长处理时间，职责分离的收益是否覆盖协调开销需在具体场景权衡
还有 15 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%已验证层级式多智能体系统中存在一个Orchestrator（编排者）智能体负责分解任务并向下游子智能体派发工作
65%已验证多代理协作架构的理论基础可追溯至分布式人工智能（DAI）领域，核心思想是将复杂任务分解为多个相互协作的子任务
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常见架构模式包括主管-工人模式（Supervisor-Worker）、流水线模式和辩论模式
65%待验证多智能体协作的五个关键设计要素：角色边界、共享上下文、交接契约、编排、人类审查点。
50%待验证智能体研究已从早期概念验证转向多智能体协作中的信用分配、工具使用中的错误恢复、长程任务中的记忆管理等子问题。
50%待验证多智能体协作的优势在于专业分工与并行探索，但引入协调成本、重复计算和错误传播的风险。
50%待验证拖拽式智能体的优势是调试直观、上手快，非技术人员也能维护；局限在于处理高度定制逻辑时不如代码灵活，复杂流程可能受节点能力边界约束。
50%待验证多智能体架构相比单体Agent具备分工优势，但代价是系统行为不再是单一因果链，而是多个决策点交织形成的复杂网络
50%待验证记忆在Agent系统中是跨轮次、跨Agent累积的状态，一个Agent写入的错误结论可能被另一个Agent在数轮之后读取并作为事实依据，这类污染具有隐蔽性和滞后性
50%待验证在多智能体流水线中，下游Agent的输出质量高度依赖上游Agent传入的上下文，上游偏差会沿链路放大
50%待验证多个Agent协作意味着更多上下文传递、更高token消耗和更长处理时间，职责分离的收益是否覆盖协调开销需在具体场景权衡
50%待验证多个Agent从不同角度给出意见并相互审查（会诊），可以降低单点误判的风险
50%待验证多智能体协作形态目前仍处于探索阶段，主要挑战在于智能体间的上下文共享、错误传播控制以及长任务中的一致性维持
50%