智能体通信协议（如MCP和A2A）的快速发展引发了对多智能体系统的广泛关注。这些协议使智能体能够高效地与其他外部系统或智能体进行交互。虽然MCP（Model Context Protocol）和A2A（Agent2Agent Protocol）等技术使多智能体通信协作显得更加前沿，但实际上，多智能体系统（Multi-Agent Systems）作为一项研究领域已有数十年的发展历史。本文旨在探讨多智能体系统的起源及其在人工智能领域的迭代发展，并进一步分析LLM（Large Language Models）对这一经典领域产生的影响。
智能体
作为人工智能先驱之一，马文・明斯基（Marvin Minsky）于1986年在其著作《心智社会》（The Society of Mind）中提出：“Each mental agent by itself can only do some simple thing that needs no mind or thought at all. Yet when we join these agents in societies - in certain very special ways - this leads to true intelligence”，首次将“智能体”概念引入人工智能领域 。
1995年，为消除“智能体”概念在研究界引发的混淆，Michael Wooldridge和Nicholas R. Jennings在论文《Intelligent agents: theory and practice》中，对 “智能体”展开深入探究并予以定义，提出“智能体”的弱定义、强定义，同时阐述了与之相关的一系列特性，为智能体系统划定了明确的特征边界。
多智能体系统
多智能体系统作为一个重要的研究领域，起源于20世纪80年代末，源自分布式人工智能（Distributed Artificial Intelligence, DAI）的研究方向。自那时起，多智能体系统逐渐成为人工智能领域的活跃分支，并与数学、控制、经济学、社会学等多个学科交叉融合。
1995年，第一届国际多智能体系统会议（International Conference on Multi-Agent Systems, ICMAS）正式召开，该会议由北美、欧洲和日本的多智能体研究社区联合发起，聚焦智能体架构、协调、通信、协作等核心问题。可以看作多智能体系统作为独立研究领域快速发展的起点。
而随着国际智能体及多智能体系统协会（IFAAMAS）的成立，该机构整合了三个主要会议：国际自主智能体会议（AGENTS）、国际多智能体系统会议（ICMAS）和智能体理论、体系结构与语言研讨会（ATAL），联合举办国际智能体及多智能体系统联合会议（AAMAS），成为该领域最具影响力的国际会议，多智能体系统的应用范围不断的扩大。
近年来，随着深度学习和强化学习的发展，多智能体系统在复杂环境中的协作能力显著提升，推动了智能体在自动驾驶、无人机编队、智能制造等实际场景的应用。
基于LLM的多智能体系统
LLM革新了传统智能体的模块化架构，将其转变为端到端的生成式系统。这一转变使得人们对“通用智能体”的设想不再停留在抽象概念，而是具象化为可落地的 AI 助手、自动化流程代理等实际应用形态。它有力推动了人们对智能体的认知，加速智能体从单纯工具向具备智能的实体转变。
2020年以来，多智能体系统与生成式AI、智能体编排平台等新兴技术融合，推动了智能体的规模化部署和跨领域协作，已成为人工智能领域的前沿热点。
LLM提升了智能体间的通信效率，通过自然语言能够实现更灵活的任务协商与协作；强大的知识提取和推理能力可以帮助智能体更好地理解环境并制定策略，同时支持多模态感知，使系统能够适用于自动驾驶、元宇宙等复杂场景，并能自动生成代码或规则，从而降低开发门槛。尽管LLM为多智能体系统带来了诸多优势，但也存在一些局限性。
LLM的幻觉问题可能会导致错误信息传播或不合理的决策，需要额外机制验证信息准确性，这将使系统设计和能力评估更具挑战性。此外，LLM对计算资源的需求较高，可能限制其在某些资源受限环境中的应用。
总而言之，LLM极大增强了多智能体系统的功能和应用场景，但仍然面临可靠性和效率方面的挑战。
未来展望
作为人工智能领域的一项经典研究方向，多智能体系统经过了数十年的演进与发展。如今，在LLM的助力下，多智能体系统正展现出前所未有的生命力和广阔的应用前景。无论是自动驾驶汽车的车队编队，还是元宇宙中的虚拟社会模拟，多智能体系统都在其中扮演着不可或缺的角色。随着AI技术的持续进步，多智能体系统必将在更多领域发挥重要作用，带来更多的可能性与惊喜。
