趋近智
单个LLM智能体可以使用ReAct和思维链等技术进行精密推断。除了单个智能体的能力,使智能体群体能够汇集其知识和推理 (inference)能力,这是一种更高级且有力的能力。虽然单个精心设计的智能体可以完成重要任务,但许多问题得益于多样的观点、分布式信息处理和协作式决策。将考察从多个智能体汇总知识的方法以及使得它们能群体推理的策略,目标是得出通常优于任何单个智能体独立产生的解决方案和有价值的观察结果。
有效的群体推理 (inference)依赖于智能体访问、共享和整合信息的能力。如果没有知识汇总的机制,智能体将孤立运行,无法利用彼此的发现或观点。目前有两种主要的知识汇总模式很常见:共享存储库和基于消息的交换。
一个常见方法是为智能体提供访问一个或多个共享知识存储库的权限。这些存储库可以从简单数据库到复杂知识图谱或向量 (vector)存储库不等。
智能体通过执行读、写、查询和更新操作与这些存储库交互。其优势在于共享信息可能具有一致的视图(尤其是在集中式存储库中)以及群体知识的持久存储。然而,挑战包括管理并发访问、确保数据时效性、集中存储库可能产生的瓶颈,以及定义合适的模式或本体。
另一种方式是,知识可以通过智能体之间的直接消息传递进行汇总,如第3章所述。在此模型中,智能体明确地将信息片段、部分结果或信念传达给其他相关智能体。
基于消息的汇总高度动态且灵活,非常适合快速变化的情况。主要挑战包括潜在的通信开销、如果管理不当存在信息过载的风险,以及在没有额外机制(如工作流编排中讨论的机制,第4章)的情况下难以维持全局一致状态。
一旦知识汇总完毕,下一步就是将其用于群体推理和决策。这涉及使得智能体群体从共享信息走向共享结论、计划或理解的过程。
对于需要群体从多个备选方案中选择一个选项或就特定数值达成一致的任务,采用共识机制。
更复杂推理 (inference)通常得益于审议过程,智能体参与论点、证据和批判的结构化交换,类似于人类团队辩论。
考虑一个用于科学发现的多智能体系统。一个假设生成智能体提出新理论。一个文献评论智能体提供支持或反驳论文。一个实验设计智能体建议测试。一个批评智能体指出缺陷。最后,一个首席科学家智能体综合所有输入以完善或拒绝假设。这种迭代的、基于角色的审议使得对问题空间进行考量。
论证提供了一种更正式的结构,用于处理冲突或不完整信息时的推理 (inference)。智能体构建论点,这些论点通常由主张、支持数据(前提)以及将数据与主张联系起来的规则构成。
虽然抽象论证的形式化(例如,Dung的框架)可能相当数学化,但智能体构建、共享和评估明确论点的核心思想可以在基于LLM的系统中实现。LLM智能体可以被提示为一个立场生成论点,识别另一个智能体论点中的缺陷,或从一组争议点中确定主要结论。
黑板架构常用于问题解决,也可以是群体推理的一个有力模型。“黑板”是一个共享数据结构,智能体可以在其中发布假设、部分解决方案、证据和推理步骤。
对于群体推理,黑板成为一个动态空间,通过专业智能体的机会性贡献,解决方案或复杂理解得以逐步构建。例如,LLM智能体可能会监控黑板以查找冲突的陈述,并在检测到时,发布新条目,指出矛盾并提出解决路径。
多智能体系统的整体架构显著影响群体推理的执行方式。第2章讨论了各种智能体组织模型;在此我们将它们与推理联系起来。
在此模型中,一个专门的“协调者”或“聚合者”智能体协调群体推理 (inference)过程。其他智能体向该中心智能体提交其个人发现、意见或部分解决方案。协调者随后负责应用所选的推理策略(例如,运行投票协议、综合论点、管理审议)。
一种集中式模型,其中专业智能体向协调智能体提供输入,然后协调智能体应用群体推理逻辑以产生统一结果。
这种架构简化了推理逻辑,因为它集中在一处,但可能造成瓶颈和单点故障。
在此,智能体直接与同级智能体通信。知识和推理 (inference)在网络中传播。达成群体理解或决策通常涉及迭代消息交换、基于邻居状态的局部信念更新以及这些变化的传播。
在去中心化模型中,智能体进行点对点交换,以共享信息并迭代完善群体理解。虚线表示有助于涌现 (emergence)推理过程的进一步通信路径。
去中心化模型通常更具韧性和可扩展性,但需要更复杂的协调协议来确保收敛和连贯性。
在具有分层结构的系统中,推理可以在多个层面进行。智能体子群体可能对特定子问题进行推理,其群体输出随后传递给更高级的智能体,这些智能体对中间结果进行汇总和推理。这类似于大型人类组织通常如何做出决策。
知识汇总和群体推理并非没有困难:
大型语言模型提供独特优势,可应用于增强群体推理过程:
乐观者、悲观者、数据检查员、伦理学家),丰富审议过程。通过精心设计智能体角色和交互协议,并通过提示LLM执行特定的推理子任务(如综合、批判或总结),开发者可以构建强大的群体推理系统。目标是创建一个环境,其中智能体群体的组合智能能有效处理超出任何单个智能体能力范围的问题,从而创造更精密的分布式问题解决。
这部分内容有帮助吗?
© 2026 ApX Machine Learning用心打造