本文由西安交通大学 MOE KLINNS Lab 联合华中师范大学、联想人工智能技术中心、悉尼大学等机构的研究者共同完成。共同第一作者为齐世豪、马杰、邢瑞、郭威、黄潇通讯作者为来自西安交通大学网络空间安全学院的马杰特聘研究员副教授。过去两年AI 智能体正在从「会对话的模型」变成能够理解任务、拆解步骤、调用工具、维护记忆并根据反馈调整行为的系统。当任务复杂到单个智能体难以完成时研究者开始把多个智能体组织起来让它们分工协作。 但系统规模扩大后问题也随之复杂。任务失败时错误可能来自智能体能力、角色分配、通信过程、工具调用也可能在多轮交互中被逐步放大。更进一步系统能否根据失败经验调整角色、通信结构或协作流程仍是当前研究面临的重要问题。围绕这些问题研究团队撰写了一篇系统综述面向 LLM 多智能体系统提供了一个完整的观察框架从单个智能体的能力基础到多智能体协作再到系统失败后的归因以及基于失败经验的自我演化。论文标题Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems论文链接 https://arxiv.org/abs/2605.14892项目仓库 https://github.com/mira-ai-lab/awesome-mas-life图 1LIFE 框架总览图一、多智能体系统不只是「多几个 Agent」今天的 LLM 智能体已经不再是简单的输入输出模块。围绕大语言模型研究者加入了推理、记忆、规划、工具使用等机制使其能够理解任务、制定计划、调用外部工具并根据执行结果调整后续动作。这些能力构成了多智能体系统的基础。推理能力决定智能体能否处理复杂指令记忆能力决定它能否利用历史信息规划能力决定它能否拆解长程任务工具使用能力则决定它能否突破模型自身的知识和执行边界。如果缺少稳定的单体能力多智能体协作很容易变成多个不稳定模块的叠加。协作并不会自动带来更强的智能反而可能放大错误、增加沟通成本并让系统表现更难预测。图 2LLM-based Agent 的能力模块示意图二、协作让智能体从个体走向组织多智能体系统的核心首先是协作。在现有研究中协作机制通常围绕角色、通信、调度和交互模式展开。角色决定不同智能体的职责通信决定信息如何在智能体之间流动调度决定任务如何推进交互模式则与具体任务密切相关。代码生成、科学发现、网页操作、复杂问答、游戏环境对协作方式的要求并不相同很难依靠一种固定流程覆盖所有场景。这些设计让智能体从「单点能力」进入「组织能力」。它们不再只是各自输出答案而是通过分工、沟通和调度共同完成更复杂的目标。与此同时协作也会放大系统的不确定性。一个早期判断可能影响后续分工一次不完整的信息传递可能改变整个任务路径一个工具调用错误也可能被后续智能体继续引用。多智能体系统越像一个组织就越需要理解组织内部的问题从何而来。图 3多智能体协作中的角色、通信与调度结构三、归因理解失败而不只是记录失败在单智能体系统中失败往往可以回到一个相对清晰的输入输出过程里分析。但在多智能体系统中失败很少只来自一个孤立步骤。一个早期错误判断可能影响后续任务分解一次不准确的工具调用也可能被后续智能体当成可靠证据继续使用。因此多智能体系统需要的不只是最终评测分数还需要对失败过程的分析。故障归因要追问的是失败发生在哪个阶段涉及哪些智能体错误来自能力不足、角色设计、通信机制、调度策略还是环境交互错误又是如何在系统内部传播的现有很多研究更关注如何构造协作流程、如何提高最终性能却较少讨论系统失败之后如何诊断。但如果没有归因多智能体系统的改进就很容易变成盲目试错。系统表现不好并不直接说明应该改模型、改提示词、改角色分工、改通信协议还是改整个组织结构。在这篇综述中归因被放在协作与演化之间作用是把系统失败转化为可诊断、可修复的问题。图 4多智能体系统中的错误传播与故障归因示意图四、自我演化从修正输出到改进系统如果归因关注「哪里出了问题」自我演化关注的则是「系统如何因此变得更好」。很多智能体系统已经引入了反思机制模型总结失败原因修改下一轮回答或者调整提示词。这类方法有价值但对于多智能体系统来说还不够。因为多智能体系统的改进对象不只是某个智能体的输出也可能是整个系统结构。Agentic Self-Evolution面向单个智能体自身的演化主要更新提示词、记忆或参数等内部组件让智能体在后续任务中表现得更稳定。Systemic Self-Evolution面向多智能体系统内部结构的演化关注通信拓扑、智能体组合、共享记忆等系统级组件让多个智能体之间的协作方式能够随任务和反馈调整。Meta Self-Evolution面向系统设计空间的演化通过积累历史设计经验或训练生成器自动产生更适合不同任务的多智能体架构。这意味着多智能体系统的自我演化并不只是「让模型反思」一下。它更接近一种系统级调整根据任务表现和失败反馈持续修改自身的行为、结构和协作方式。图 5从失败归因到系统自我演化的闭环五、LIFE 框架理解多智能体系统的完整生命周期这篇综述提出的 LIFE progression可以理解为对 LLM 多智能体系统运行过程的一种梳理。它包含四个连续阶段Individual Intelligence个体智能关注单个智能体的推理、记忆、规划和工具使用能力Multi-Agent Collaboration多智能体协作关注角色、通信、调度和交互机制Failure Attribution故障归因关注系统失败后的定位、解释和诊断Self-Evolution自我演化关注系统如何根据反馈持续调整自身。以往综述往往分别讨论个体能力、多智能体协作或自我改进。LIFE 框架则把这些方向放到同一个生命周期中观察个体能力提供协作基础协作机制带来系统级复杂性故障归因让失败过程变得可分析自我演化则把诊断结果转化为后续改进。因此LIFE 关注的不只是「有哪些方法」而是一个多智能体系统如何运行、如何失败以及如何在失败之后调整。六、未来展望LLM 多智能体系统已经展示出处理复杂任务的潜力但要走向长期可靠的应用仍需要在几个关键方向上继续推进。更全面的评测体系现有评测仍然偏重任务成功率而多智能体系统还需要考察通信效率、角色贡献、错误传播、环境适应性和长期稳定性。更灵活的协作结构当前很多系统仍依赖人工设定角色、流程和通信方式。未来的系统需要根据任务需求动态调整组织方式包括角色分配、通信路径、调度策略和协作结构。更有效的归因与修复闭环多智能体系统的失败往往跨越多个角色和多轮交互。归因的价值不应停留在解释错误而应进一步指导系统修复例如调整提示词、重新分配角色、修改工具调用方式或优化整体流程。更可控的自我演化机制当系统开始调整自身结构时效率、安全和对齐问题会变得更加重要。未来的自我演化不能只是搜索更高性能的结构还需要在成本、稳定性和可控性之间取得平衡。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】