Multi-Agent Systems: From Classical Paradigms to Large Foundation Model-Enabled Futures
作者: Zixiang Wang, Mengjia Gong, Qiyu Sun, Jing Xu, Shuai Mao, Xin Jin, Qing-Long Han, Yang Tang
分类: cs.AI
发布日期: 2026-04-20
备注: Accepted by IEEE/CAA Journal of Automatica Sinica
💡 一句话要点
综述多智能体系统：从经典范式到大模型赋能的未来
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多智能体系统 大型基础模型 人工智能 智能协作 语义理解
📋 核心要点
- 传统多智能体系统在复杂环境下的适应性和泛化能力受限，难以处理高层次的语义信息。
- 论文提出基于大型基础模型（LFM）的多智能体系统（LMAS），利用LFM进行语义层面的推理和协作。
- 通过对比分析CMAS和LMAS，总结了LMAS在灵活性、适应性和应用方面的优势，并展望了未来发展方向。
📝 摘要（中文）
随着人工智能的快速发展，多智能体系统（MAS）正从经典范式演变为基于大型基础模型（LFM）的架构。本综述系统地回顾和比较了经典MAS（CMAS）和基于LFM的MAS（LMAS）。首先，在一个闭环协调框架内，从感知、通信、决策和控制四个基本维度回顾了CMAS。在此框架之外，LMAS集成了LFM，将协作从低级状态交换提升到语义级推理，从而在各种场景中实现更灵活的协调和更高的适应性。然后，进行对比分析，从架构、运行机制、适应性和应用等方面对比CMAS和LMAS。最后，提出了MAS的未来展望，总结了开放的挑战和潜在的研究机会。
🔬 方法详解
问题定义：传统多智能体系统（CMAS）在感知、通信、决策和控制方面存在局限性，尤其是在处理复杂、动态的环境时，难以进行有效的协作和推理。CMAS通常依赖于低层次的状态交换，缺乏对语义信息的理解和利用，导致适应性和泛化能力较差。现有方法难以应对需要高层次推理和灵活协作的复杂任务。
核心思路：论文的核心思路是利用大型基础模型（LFM）的强大语义理解和推理能力，构建基于LFM的多智能体系统（LMAS）。通过将LFM集成到多智能体系统中，可以实现从低层次状态交换到语义层次推理的转变，从而提高系统的灵活性、适应性和协作效率。
技术框架：LMAS的技术框架主要包括以下几个模块：1) 感知模块：负责从环境中获取信息，并将其转化为LFM可以理解的输入形式。2) 通信模块：负责智能体之间的信息交流，利用LFM进行语义层面的信息编码和解码。3) 决策模块：利用LFM进行推理和决策，生成智能体的行为策略。4) 控制模块：负责执行智能体的行为，并将其反馈到环境中。整个流程形成一个闭环，不断优化智能体的行为策略。
关键创新：论文的关键创新在于将大型基础模型（LFM）引入到多智能体系统中，实现了从低层次状态交换到语义层次推理的转变。这种转变使得多智能体系统能够更好地理解环境和智能体的意图，从而进行更有效的协作和决策。与传统方法相比，LMAS具有更强的适应性和泛化能力。
关键设计：论文没有具体涉及关键参数设置、损失函数、网络结构等技术细节，而是侧重于对CMAS和LMAS的架构、运行机制、适应性和应用进行对比分析，并展望了未来发展方向。具体实现细节可能因不同的LFM和应用场景而异，需要根据实际情况进行调整和优化。
🖼️ 关键图片
📊 实验亮点
该论文是一篇综述性文章，主要贡献在于对经典多智能体系统（CMAS）和基于大型基础模型的多智能体系统（LMAS）进行了系统性的回顾和对比分析。论文没有提供具体的实验数据，而是从架构、运行机制、适应性和应用等方面对两种系统进行了详细的比较，突出了LMAS在灵活性、适应性和协作效率方面的优势。
🎯 应用场景
该研究成果可应用于各种需要多智能体协作的复杂场景，例如：智能交通系统、机器人协同作业、智能客服系统、分布式计算等。通过利用大型基础模型的语义理解和推理能力，可以提高系统的智能化水平和协作效率，实现更高效、更灵活的任务执行。
📄 摘要（原文）
With the rapid advancement of artificial intelligence, multi-agent systems (MASs) are evolving from classical paradigms toward architectures built upon large foundation models (LFMs). This survey provides a systematic review and comparative analysis of classical MASs (CMASs) and LFM-based MASs (LMASs). First, within a closed-loop coordination framework, CMASs are reviewed across four fundamental dimensions: perception, communication, decision-making, and control. Beyond this framework, LMASs integrate LFMs to lift collaboration from low-level state exchanges to semantic-level reasoning, enabling more flexible coordination and improved adaptability across diverse scenarios. Then, a comparative analysis is conducted to contrast CMASs and LMASs across architecture, operating mechanism, adaptability, and application. Finally, future perspectives on MASs are presented, summarizing open challenges and potential research opportunities.