Beyond Self-Talk: A Communication-Centric Survey of LLM-Based Multi-Agent Systems
作者: Bingyu Yan, Zhibo Zhou, Litian Zhang, Lian Zhang, Ziyi Zhou, Dezhuang Miao, Zhoujun Li, Chaozhuo Li, Xiaoming Zhang
分类: cs.MA, cs.CL
发布日期: 2025-02-20 (更新: 2025-06-19)
💡 一句话要点
提出面向通信的大语言模型多智能体系统综述框架，分析交互机制并展望未来方向。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多智能体系统 大语言模型 通信机制 智能体交互 系统综述
📋 核心要点
- 现有LLM-MAS综述忽略了通信在智能体协调中的核心作用，导致对系统交互机制理解不足。
- 论文提出一个结构化框架，整合系统级和系统内部通信，深入分析智能体交互、协商和集体智能。
- 通过分析现有文献，总结了LLM-MAS通信的关键组件、优缺点，并指出了未来研究方向。
📝 摘要（中文）
基于大语言模型的多智能体系统因其在复杂、协作和智能问题解决方面的潜力而备受关注。现有的综述通常根据应用领域或架构对基于大语言模型的多智能体系统（LLM-MAS）进行分类，忽略了通信在协调智能体行为和交互中的核心作用。为了弥补这一差距，本文从以通信为中心的角度对LLM-MAS进行了全面的综述。具体而言，我们提出了一个结构化的框架，该框架将系统级通信（架构、目标和协议）与系统内部通信（策略、范式、对象和内容）相结合，从而能够详细探索智能体如何交互、协商和实现集体智能。通过对近期文献的广泛分析，我们识别了多个维度中的关键组成部分，并总结了它们的优缺点。此外，我们强调了当前的挑战，包括通信效率、安全漏洞、基准测试不足和可扩展性问题，并概述了有希望的未来研究方向。本综述旨在帮助研究人员和从业人员清楚地了解LLM-MAS中的通信机制，从而促进稳健、可扩展和安全的多智能体系统的设计和部署。
🔬 方法详解
问题定义：现有基于大语言模型的多智能体系统（LLM-MAS）综述主要集中在应用领域或系统架构，忽略了通信在智能体行为协调和交互中的核心作用。这导致研究人员和从业者难以全面理解LLM-MAS的通信机制，阻碍了更高效、安全和可扩展的智能体系统的设计和部署。现有方法缺乏一个结构化的框架来分析和比较不同的通信策略和协议，也未能充分评估现有系统的通信效率和安全性。
核心思路：本文的核心思路是以通信为中心，构建一个结构化的框架，将系统级通信（架构、目标、协议）与系统内部通信（策略、范式、对象、内容）相结合。通过这个框架，可以更全面地分析LLM-MAS中的智能体如何进行交互、协商和达成共识。这种以通信为中心的视角能够帮助研究人员更好地理解不同通信机制的优缺点，并为设计更有效的通信策略提供指导。
技术框架：该综述框架包含两个主要层次：系统级通信和系统内部通信。系统级通信关注的是智能体系统整体的架构设计、目标设定以及通信协议的选择。系统内部通信则关注的是智能体个体之间的具体交互方式，包括通信策略（如协商策略、合作策略）、通信范式（如点对点通信、广播通信）、通信对象（如知识、意图）以及通信内容（如自然语言文本、结构化数据）。通过分析这两个层次的通信机制，可以全面了解LLM-MAS的运作方式。
关键创新：该综述的关键创新在于提出了一个以通信为中心的LLM-MAS分析框架。与以往关注应用或架构的综述不同，该框架强调通信在智能体系统中的核心作用，并提供了一个结构化的方法来分析和比较不同的通信策略和协议。这种以通信为中心的视角有助于研究人员更深入地理解LLM-MAS的本质，并为未来的研究方向提供新的思路。
关键设计：该综述框架的关键设计在于将通信分为系统级和系统内部两个层次，并分别对这两个层次的关键组件进行了详细的分析。例如，在系统级通信方面，综述分析了不同的智能体架构（如集中式、分布式）以及不同的通信协议（如基于消息传递的协议、基于共享内存的协议）。在系统内部通信方面，综述分析了不同的通信策略（如基于规则的策略、基于学习的策略）以及不同的通信内容（如自然语言文本、知识图谱）。这种细致的分析有助于研究人员全面了解LLM-MAS的通信机制。
🖼️ 关键图片
📊 实验亮点
该综述通过对大量文献的分析，总结了LLM-MAS中通信机制的关键组件和优缺点，并指出了当前面临的挑战，如通信效率、安全漏洞、基准测试不足和可扩展性问题。此外，该综述还提出了未来研究方向，例如探索更有效的通信策略、开发更安全的通信协议以及构建更全面的基准测试。
🎯 应用场景
该研究成果可应用于开发更智能、更高效的多智能体系统，例如在智能交通、智能制造、金融交易、医疗诊断等领域。通过优化智能体之间的通信机制，可以提高系统的协作效率、降低通信成本、增强系统的鲁棒性和安全性。未来的研究可以探索更先进的通信策略和协议，以应对更复杂的应用场景。
📄 摘要（原文）
Large language model-based multi-agent systems have recently gained significant attention due to their potential for complex, collaborative, and intelligent problem-solving capabilities. Existing surveys typically categorize LLM-based multi-agent systems (LLM-MAS) according to their application domains or architectures, overlooking the central role of communication in coordinating agent behaviors and interactions. To address this gap, this paper presents a comprehensive survey of LLM-MAS from a communication-centric perspective. Specifically, we propose a structured framework that integrates system-level communication (architecture, goals, and protocols) with system internal communication (strategies, paradigms, objects, and content), enabling a detailed exploration of how agents interact, negotiate, and achieve collective intelligence. Through an extensive analysis of recent literature, we identify key components in multiple dimensions and summarize their strengths and limitations. In addition, we highlight current challenges, including communication efficiency, security vulnerabilities, inadequate benchmarking, and scalability issues, and outline promising future research directions. This review aims to help researchers and practitioners gain a clear understanding of the communication mechanisms in LLM-MAS, thereby facilitating the design and deployment of robust, scalable, and secure multi-agent systems.