大規(guī)模智能體網(wǎng)絡(luò)一篇綜述梳理拓?fù)?、記憶與動態(tài)更新三大核心維度

作者 | 論文團(tuán)隊(duì)

編輯丨ScienceAI

近年來，agent marketplace 和 agent system 都在快速擴(kuò)張。一方面，智能體市場中的可用 agent 數(shù)量和類別不斷增長；另一方面，真實(shí)部署的 agent system 也從少量角色協(xié)作，逐步走向包含數(shù)十個(gè)甚至數(shù)百個(gè) agent 的復(fù)雜結(jié)構(gòu)。這意味著，大規(guī)模智能體系統(tǒng)已經(jīng)不再只是實(shí)驗(yàn)室中的小規(guī)模演示，而正在進(jìn)入更開放、更持續(xù)、更復(fù)雜的真實(shí)運(yùn)行環(huán)境。

圖 1 展示了這一趨勢：無論是 marketplace 中的 agent 數(shù)量，還是 system 中每個(gè)任務(wù)鏈所涉及的 agent 數(shù)，都在明顯增長。也正因?yàn)槿绱耍芯空卟荒茉僦魂P(guān)注單個(gè) agent 的能力，而必須開始回答一個(gè)更系統(tǒng)的問題：當(dāng) agent 數(shù)量、類型和交互復(fù)雜度同時(shí)上升時(shí)，系統(tǒng)層面的行為究竟由什么決定？

圖 1 2025 年智能體市場與智能體系統(tǒng)增長趨勢。市場中的智能體數(shù)量采用對數(shù)坐標(biāo)顯示，市場類別數(shù)和每個(gè)系統(tǒng)中的智能體數(shù)采用單獨(dú)坐標(biāo)軸顯示，陰影區(qū)域表示估計(jì)范圍。數(shù)據(jù)來源： Internet Archive（Wayback Machine）存檔網(wǎng)頁快照，包括 OpenAI GPTs、AWS Marketplace 和 Agent.ai。

近日，一篇題為《Complex Networks of AI Agentic Systems: Topology, Memory, and Update Dynamics》的綜述系統(tǒng)討論了大規(guī)模智能體網(wǎng)絡(luò)的結(jié)構(gòu)問題。文章提出了一套統(tǒng)一的三維分類框架，從拓?fù)浣Y(jié)構(gòu)、記憶范圍和更新行為三個(gè)角度刻畫多智能體系統(tǒng)，解釋了為什么不同 agent 系統(tǒng)在擴(kuò)展性、穩(wěn)定性和協(xié)作效率上會表現(xiàn)出明顯差異。該工作進(jìn)一步指出，大規(guī)模智能體系統(tǒng)的核心挑戰(zhàn)并不只是通信設(shè)計(jì)，而是不同智能體之間世界模型不一致所帶來的協(xié)調(diào)困難，為未來可擴(kuò)展 agent system 的設(shè)計(jì)提供了新的分析視角。

論文地址：https://www.techrxiv.org/doi/full/10.36227/techrxiv.177127384.46731320/v1

三維分類框架：從拓?fù)?、記憶與更新行為理解大規(guī)模智能體網(wǎng)絡(luò)

文章最重要的貢獻(xiàn)，是提出了一套三維分類框架，用來統(tǒng)一描述大規(guī)模智能體網(wǎng)絡(luò)。第一維是架構(gòu)拓?fù)洌╰opology），即系統(tǒng)是中心化（centralized）還是去中心化（decentralized）；第二維是記憶范圍（memory scope），即信息存放在全局記憶（global memory）還是局部記憶（local memory）中；第三維是更新行為（update behavior），即系統(tǒng)在運(yùn)行中是靜態(tài)（static）還是動態(tài)（dynamic）的。三者組合后，一共得到八類典型的大規(guī)模智能體網(wǎng)絡(luò)。

為更直觀地展示這套分類框架，作者將現(xiàn)有大規(guī)模智能體系統(tǒng)按照 “拓?fù)洌╰opology）— 記憶范圍（memory scope）— 更新行為（update behavior）” 三個(gè)維度組織成一張層級結(jié)構(gòu)圖。通過這張圖可以看到，不同系統(tǒng)雖然都屬于多智能體范式，但它們在中心化或去中心化、全局記憶或局部記憶、靜態(tài)或動態(tài)更新上的選擇并不相同。這些結(jié)構(gòu)差異進(jìn)一步?jīng)Q定了系統(tǒng)在協(xié)調(diào)效率、擴(kuò)展性、魯棒性和長期行為上的不同表現(xiàn)。

圖 2 可以看作這篇綜述的核心。文章強(qiáng)調(diào)，真正決定系統(tǒng)表現(xiàn)的，往往不是智能體數(shù)量本身，而是這三種機(jī)制如何組合。中心化系統(tǒng)（centralized systems）更容易統(tǒng)一調(diào)度和維持一致性（consistency），適合任務(wù)流程明確的場景，但規(guī)模變大后容易出現(xiàn)中心瓶頸（central bottleneck）；去中心化系統(tǒng)（decentralized systems）更靈活，更適合研究群體涌現(xiàn)（emergence）行為，但也更容易出現(xiàn)局部失調(diào)（local miscoordination）和信息漂移（information drift）。全局記憶（global memory）有利于共享上下文（shared context）和狀態(tài)對齊（state alignment），局部記憶（local memory）更貼近真實(shí)分布式環(huán)境（distributed environment），但也更容易帶來分歧。靜態(tài)系統(tǒng)（static systems）更容易分析和復(fù)現(xiàn)，動態(tài)系統(tǒng)（dynamic systems）則更適合復(fù)雜環(huán)境中的長期任務(wù)（long-horizon tasks）和自適應(yīng)協(xié)作（adaptive collaboration）。

圖 2 大規(guī)模智能體網(wǎng)絡(luò)的三維分類框架：基于拓?fù)洌╰opology）、記憶范圍（memory scope）與更新行為（update behavior）的層級組織

真正的瓶頸：世界模型（world model）不一致，而不只是通信協(xié)議

在此基礎(chǔ)上，文章還進(jìn)一步提出了一個(gè)很重要的判斷：通信協(xié)議（communication protocol）雖然重要，但不是大規(guī)模智能體網(wǎng)絡(luò)最深層的瓶頸。作者指出，更根本的問題是智能體之間世界模型（world model）的不一致。即使消息傳輸完全正確，不同智能體也可能因?yàn)閮?nèi)部知識、偏好和記憶不同，而對同一句話或同一個(gè)狀態(tài)做出不同解釋。換句話說，傳輸正確，并不等于理解一致。這種不一致會在系統(tǒng)中逐層放大：在認(rèn)知層面，會形成信念漂移（belief drift）；在行為層面，會帶來合作不穩(wěn)定；在任務(wù)層面，會造成目標(biāo)偏移（goal divergence）；在系統(tǒng)層面，則可能形成非平穩(wěn)動態(tài)（non-stationary dynamics），使整個(gè)網(wǎng)絡(luò)難以收斂。

基于這些觀察，作者認(rèn)為未來研究需要更關(guān)注幾個(gè)方向：更明確的一致性模型（consistency model）、更強(qiáng)的共享狀態(tài)控制（state control）、更成熟的路由與通信調(diào)度機(jī)制，以及面向開放環(huán)境的身份、安全和魯棒性設(shè)計(jì)。文章還指出，現(xiàn)有評估體系遠(yuǎn)遠(yuǎn)不夠，因?yàn)槎鄶?shù)基準(zhǔn)仍停留在小規(guī)模，而未來真實(shí)系統(tǒng)可能需要面對上千到上百萬智能體！

總體來看，這篇綜述的價(jià)值不只是總結(jié)已有工作，更在于給大規(guī)模智能體網(wǎng)絡(luò)研究提供了一張結(jié)構(gòu)地圖。它提醒我們：未來系統(tǒng)要真正擴(kuò)展，關(guān)鍵不只是增加智能體數(shù)量，而是要解決拓?fù)洹⒂洃洝⒏聶C(jī)制和世界模型對齊之間的系統(tǒng)性問題。