——这篇博客是对论文《Large Language Model Agent: A Survey on Methodology, Applications and Challenges》的阅读整理与思考。
当生成式AI走进大众视野时，我们曾期待一个足够强大的AI助手，能够理解需求、解决问题，甚至完成各种任务。
但随着AI走向更复杂的应用场景，一个新的趋势正在出现：未来的智能或许不属于单个AI，而属于一群能够协作的智能体。
就像一个团队需要不同角色配合，复杂任务也需要多个智能体共同完成。那么，它们应该如何组织与协作？
根据不同的决策方式和协作结构，目前主要可以分为三种模式：
模式一：一个“领导”掌控全局
一个高效团队通常需要负责人统筹全局：拆解目标、分配任务，并协调成员完成各自工作。在多智能体系统中，这种方式被称为中心化控制（Centralized Control）。
这种模式下，一个核心智能体承担“管理者”的角色，负责规划任务，协调流程；其它智能体则按照各自职责完成对应任务。
例如，MetaGPT采用了类似软件开发团队的组织方式，让不同智能体分别扮演产品、设计、开发等角色，并通过统一协作完成开发流程。
这种模式分工明确，能够更有效地推进复杂场景下的任务。但它也存在明显依赖：一旦中心智能体出现判断偏差，整个系统都可能受到影响。
模式二：大家平级，共同决策
如果没有“领导”呢？所有智能体平起平坐，通过交流共同寻找答案。
这种方式便是去中心化合作（Decentralized Cooperation）。它不依赖单一核心智能体，而是让多个智能体通过多轮对话交换意见、提出质疑、并逐步完善最终结果。
微软推出的多智能体框架AutoGen就采用了类似的协作方式，让多个智能体通过多轮对话提出想法、相互验证，逐步形成最终结果。
这种模式能够融合多方判断，降低单一决策带来的偏差。但缺少统一调度者，也意味着需要耗费更高的沟通成本，智能体之间可能陷入低效讨论。
模式三：在自由与秩序间寻找平衡
一个成熟的团队，既需要有人把握方向，也需要成员之间充分协作。因此，将两种方式结合起来，成为了另一种可能。
这种思路被称为混合架构（Hybrid Architecture）。它融合了中心化控制与去中心化合作：关键环节由核心智能体负责规划和决策，而具体执行过程中，多个智能体则可以相互启发、协同完成任务。
例如，CAMEL通过角色设定组织不同智能体协作，同时保留一定的层级关系；而 DyLAN、MDAgents 等进一步根据任务需求动态调整智能体之间的连接方式，让系统能够选择更适合的协作策略。
相比固定的组织形式，混合架构试图在统一管理和多元思考之间取得平衡。但如何让AI自主判断何时集中决策、何时开放协作，仍是未来多智能体系统需要探索的问题。
从一个AI，到一群AI。
智能的未来，也许不在于寻找唯一的答案，而在于让不同的智能找到彼此协作的方式。
参考文献：
Luo, Junyu, et al. “Large Language Model Agent: A Survey on Methodology, Applications and Challenges.”arXiv preprint arXiv:2503.21460, 2025.