多智能体系统是一种架构，多个大型语言模型（LLM）在独立对话中运行。本文重点介绍主代理-子代理模式，适合新团队。该系统在上下文污染、并行任务和工具选择等特定情况下优于单一代理，尽管增加了复杂性，但在合适场景下能提升效率和效果。

论文研究多智能体系统中“换员不影响性能”的假设，发现任务得分影响小，但协调成本暴涨16%-63%。磨合越久、温度越高，代价越大；老手因惯例冲突比新人更贵。恢复不对称：得分快、成本慢。研究限于小样本和代理指标，外推需谨慎。

德国研究发现，AI智能体在群体中会像人类一样从众，且越聪明的模型越易随大流。实验显示，先进AI在无正确答案时100%达成共识，且单独答对视觉题时，若被告知多数人选错便会跟着错。群体互动可放大偏见，导致集体失准，甚至被少数对抗性智能体永久翻转。这揭示多智能体系统存在安全漏洞，仅对齐单个模型不足以保证群体行为可靠。

多智能体系统的协调问题难以观测，失败常发生在交接与共享状态中。通过共享状态层（如Redis）记录决策、工具调用和记忆操作，结合完整追踪，可重建因果链，提升故障归因准确性。Redis Iris提供实时上下文引擎，支持语义检索、缓存和记忆，帮助定位问题。

谷歌研究揭示，多智能体系统的性能取决于任务能否并行拆解，而非智能体数量。并行任务可提升81%性能，顺序任务则下降70%。中心化架构错误放大4.4倍，独立式达17.2倍。预测模型可提前判断最优架构，准确率87%。工具越多协调成本越高，架构需与任务结构对齐。

该论文提出可扩展多智能体系统的四大设计原则：简洁性、弹性反馈、顺序工作流及摘要通信，并构建参考架构。实验显示，缩放提升准确率但受限于底层LLM能力阈值，性能在中等复杂度达峰值后因超时退化，且一致性问题随规模扩大成为主要瓶颈。

本文介绍了一种基于AgentCore harness的多智能体系统，专用于大型旅行社的集体出行任务的行程分配与优化。该系统结合大语言模型（LLM）和运筹学求解器，解决复杂的需求和资源分配问题，实现高效、稳定的自动化处理，显著提升运营效率，降低人力成本。该方案也适用于其他行业的排班和调度场景。

Hermes Swarm是一个开源的多智能体系统，旨在实现AI团队的24小时协同工作。每个Agent独立思考并交流，系统中有监工Agent以确保工作效率。用户在处理复杂任务时可以手动接管。该项目由20岁开发者CyberTron957创建，适用于自动营销和软件开发等场景。

Hermes多智能体系统通过配置文件和看板实现AI团队协作。每个智能体独立配置，确保数据隔离。看板用于任务管理，支持多智能体协作和任务持久化。用户可通过Telegram简化机器人管理，宪法模式帮助分配任务，确保各智能体职责明确，从而构建高效的AI团队。

新加坡国立大学与Sea AI Lab提出的OrchRM框架，通过自监督奖励建模，利用多智能体执行中的中间产物构建胜负对，显著提高了多智能体系统的编排效率。该方法无需昂贵的人工标注或完整的子代理执行，Token使用效率提升最高10倍，准确率平均提升约7.2%。OrchRM为多智能体系统的规模化部署提供了新路径。

多位学者在论文《Economy of Minds》中探讨了用经济机制替代传统协调，以促进多智能体系统自发涌现集体智能。通过拍卖竞争、支付交换、财富积累和经济进化四种机制，研究表明简单的经济信号能够驱动去中心化的信用分配，形成有效的Agent协作。实验结果显示，经济机制使得弱Agent群体在多个任务上超越强单体，强调了群体智能的自发性和机制设计的重要性。

香港中文大学与阿里巴巴合作提出的Meta-Team框架，允许多智能体系统通过协作实现自我进化。在6个基准测试中，该框架的表现优于单智能体和手工设计的多智能体系统，证明了智能体从经验中学习的有效性。Meta-Team通过个体行为、团队交互和组织进化三个层面优化智能体表现，为多智能体系统的长期发展提供了新思路。

随着生物检测和计算建模技术的发展，科研数据生产能力迅速提升，但知识整合能力滞后。为此，研究团队开发了Robin多智能体系统，实现了科学假设生成与实验数据分析的闭环工作流。该系统在药物筛选中表现出色，验证了其在干性年龄相关性黄斑变性治疗中的应用潜力，展示了AI在生命科学研究中的新方向。

本文讨论了多智能体系统在软件开发中的应用，特别是从“AI 帮我写代码”到“AI 为我的仓库写代码”的转变。通过 GitHub Copilot，智能体负责不同代码仓库的部分，生成 Pull Request、运行测试和执行部署。实验表明，通过定义边界和职责，智能体能有效提升 DevOps 流水线的效率和审计性。

Ruflo是一个多智能体系统，通过分工和长期记忆提升AI编程效率。它模拟真实公司结构，分配角色如架构师和程序员，解决单一AI的上下文限制问题。Ruflo引入共识算法以防止错误传播，旨在让AI像团队一样协作，推动AI编程进入组织化时代。

随着人工智能架构的发展，系统设计正向分布式多智能体系统转变。A2A协议作为智能体间的通信标准，提升了智能体的互操作性，解决了传统系统集成的脆弱性。该协议通过定义通用通信语言，支持动态交互和实时状态同步，降低了跨网络集成成本。Microsoft Agent Framework、BotSharp和OpenClaw.NET等框架在实现A2A协议方面展现出强大潜力，推动了企业级AI系统的设计与应用。

研究者提出了DiffMAS框架，将多智能体系统的通信机制转变为可学习的隐式表示，实现了通信与推理的联合优化。该方法通过隐空间映射和高效的参数训练，提高了推理准确率，减少了通信开销，表明通信与推理应紧密结合。实验结果显示，DiffMAS在多个基准测试中表现优异，证明了通信协议可以被学习和优化。