2025-03-26 12:30:03
2025 年是 agent 爆发之年。
基于处理复杂、多步骤任务以及与不同环境实时互动的能力，由大语言模型（LLM）驱动的 agent 系统，尤其是多 agent 系统（MAS），被认为非常适合用来解决现实世界中的问题，也因此被越来越多地应用在各个领域中，如软件工程、药物发现、科学模拟，以及通用 agent 系统。
然而，相比于单个 agent 系统甚至更简单的 baseline，多 agent 系统却在处理实际问题时更易出错。如下图所示，AppWorld 的故障率可高达 86.7%。
图｜使用 GPT-4o 和 Claude-3 的 5 种常用多 agent LLM 系统的故障率
这(zhè)是(shì)为(wèi)什(shén)么(me)呢(ne)？来(lái)自(zì)加(jiā)州(zhōu)大(dà)学(xué)伯(bó)克(kè)利(lì)分(fēn)校(xiào)和(hé)意(yì)大(dà)利(lì)联(lián)合(hé)圣(shèng)保(bǎo)罗(luō)银(yín)行(xíng)的(de)研(yán)究(jiū)团(tuán)队(duì)给(gěi)出了答案——
他们首次对多 agent 系统面临的挑战进行了全面研究，并确定了 14 种独特的故障模式，并划分为 3 大类：（1）规范和系统设计故障；（2）agent 间错位；（3）任务验证和终止。
相关研究论文以“Why Do Multi-Agent LLM Systems Fail?”为题，已发表在预印本网站 arXiv 上。
论文链接：https://arxiv.org/abs/2503.13657
具体而言，他们提出了首个基于经验的多 agent 系统故障分类法——MASFT，理解和缓解多 agent 系统故障提供了一个结构化框架。
同时，他们也开发了一个可扩展的“LLM-as-a-judge”评估管道，用于分析新的多 agent 系统性能和诊断故障模式。
另外，针对 agent 规范、对话管理和验证策略，他们还进行了干预研究，尽管将任务完成率提高了 14%，但仍(réng)未(wèi)能(néng)完(wán)全解(jiě)决(jué)多(duō) agent 系(xì)统(tǒng)故(gù)障(zhàng)问(wèn)题(tí)，这(zhè)凸(tū)显(xiǎn)了(le)结(jié)构(gòu)性(xìng)多(duō) agent 系(xì)统(tǒng)重(zhòng)新(xīn)设(shè)计(jì)的(de)必(bì)要(yào)性(xìng)。
此(cǐ)外(wài)，他(tā)们(men)也(yě)将(jiāng)研(yán)究(jiū)成(chéng)果(guǒ)进(jìn)行(xíng)开(kāi)源(yuán)，包(bāo)括(kuò)：
150 多(duō)个(gè)标(biāo)注(zhù)的(de)多(duō) agent 系(xì)统(tǒng)会(huì)话(huà)轨(guǐ)迹(jī)；
可(kě)扩(kuò)展(zhǎn)的(de) LLM-as-a-judge 评(píng)估(gū)管(guǎn)道(dào)和(hé) 150 多(duō)个(gè)轨(guǐ)迹(jī)的(de) LLM 标(biāo)注(zhù)；
15 个(gè)选(xuǎn)定(dìng)轨(guǐ)迹(jī)的(de)详(xiáng)细(xì)专(zhuān)家(jiā)标(biāo)注(zhù)。
多(duō)达(dá) 14 种(zhǒng)故(gù)障(zhàng)模(mó)式(shì)
在(zài)这(zhè)项(xiàng)工(gōng)作(zuò)中(zhōng)，研(yán)究(jiū)团(tuán)队(duì)使(shǐ)用(yòng)了(le)扎(zhā)根(gēn)理(lǐ)论(lùn)（Grounded Theory）这(zhè)一(yī)定(dìng)性(xìng)研(yán)究(jiū)方(fāng)法(fǎ)，直(zhí)接(jiē)从(cóng)经(jīng)验(yàn)数(shù)据(jù)中(zhōng)构(gòu)建(jiàn)理(lǐ)论(lùn)，而(ér)不(bù)是(shì)检(jiǎn)验(yàn)预(yù)定(dìng)义(yì)的(de)假(jiǎ)设(shè)，使(shǐ)故(gù)障(zhàng)模(mó)式(shì)的(de)识(shi)别(bié)有(yǒu)机(jī)地(de)产(chǎn)生(shēng)。
他(tā)们(men)通(tōng)过(guò)理(lǐ)论(lùn)抽(chōu)样(yàng)、开(kāi)放(fàng)式(shì)编(biān)码(mǎ)、持(chí)续(xù)比(bǐ)较(jiào)分(fēn)析(xī)、备(bèi)忘(wàng)录(lù)和(hé)理(lǐ)论(lùn)化(huà)等(děng)方(fāng)法(fǎ)反(fǎn)复(fù)收(shōu)集和(hé)分(fēn)析(xī)多(duō) agent 系(xì)统(tǒng)的(de)执(zhí)行(xíng)轨(guǐ)迹(jī)，获(huò)得(de)多(duō) agent 系(xì)统(tǒng)跟(gēn)踪(zōng)记(jì)录(lù)并(bìng)讨(tǎo)论(lùn)初(chū)步(bù)发(fā)现(xiàn)后(hòu)，通(tōng)过(guò)收(shōu)集观(guān)察(chá)到(dào)的(de)故(gù)障(zhàng)模(mó)式(shì)得(de)出(chū)了(le) MASFT。
图(tú)｜系(xì)统(tǒng)研(yán)究(jiū)多(duō) agent 系(xì)统(tǒng)的(de)方(fāng)法(fǎ)流(liú)程(chéng)
为(wèi)了(le)实(shí)现(xiàn)自(zì)动(dòng)故(gù)障(zhàng)识(shi)别(bié)，他(tā)们(men)开(kāi)发(fā)了(le)基(jī)于(yú) LLM 的(de)标(biāo)注(zhù)器(qì)，并(bìng)验(yàn)证(zhèng)了(le)它(tā)的(de)可(kě)靠(kào)性(xìng)。
然(rán)后(hòu)，他(tā)们(men)进(jìn)行(xíng)了(le)标(biāo)注(zhù)器(qì)之(zhī)间(jiān)的(de)协(xié)议(yì)研(yán)究(jiū)，通过添加、删除、合并、拆分或修改定义反复调整故障模式和故障类别，直到达成共识。这一过程反映了一种学习方法，即不断完善分类法，直至达到稳定性，并通过 Kappa 系数来衡量标注器之间的一致性。
图｜多 agent 系统故障模式分类法
最终，MASFT 包含了 3 个总体故障类别：规范和系统设计故障；agent 间错位；任务验证和终止，确定了多 agent 系统在执行过程中可能遇到的 14 种细粒度故障模式。
MASFT 还将多 agent 系统的执行划分为 3 个阶段：执(zhí)行(xíng)前、执行中和执行后，确定了每个细粒度故障模式可能发生的多 agent 系统执行阶段。
图｜多 agent 系统故障类别相关矩阵
另外，他们发现(xiàn)，多(duō) agent 系(xì)统(tǒng)面临着与复杂的人类组织类似的问题，其故障模式与在人类组织中观察(chá)到(dào)的(de)常(cháng)见(jiàn)故(gù)障(zhàng)模(mó)式一致。“不要求澄清”破坏(huài)了(le)“尊(zūn)重(zhòng)专(zhuān)业(yè)知(zhī)识(shi)”，“agent 错(cuò)位(wèi)”体(tǐ)现(xiàn)了(le)加(jiā)强(qiáng)等(děng)级(jí)区(qū)分(fēn)和(hé)协(xié)调(diào)角(jiǎo)色(sè)分(fēn)配(pèi)的(de)必(bì)要(yào)性(xìng)。
多(duō) agent 协(xié)作(zuò)的(de)有(yǒu)效(xiào)性(xìng)，仍(réng)有(yǒu)待(dài)提(tí)高(gāo)
针(zhēn)对(duì)以(yǐ)上(shàng)所(suǒ)有(yǒu)的(de)故(gù)障(zhàng)类(lèi)别(bié)，研(yán)究(jiū)团(tuán)队(duì)提出了战术策略和结构策略。
战术策略涉及针对特定故障模式的直接修改，如改进提示、agent 网络的拓扑结构和对话管理。然而，两个案例研究证明，这些方法的有效性并不一致。
结构策略，即对整个系统有影响的更全面的方法：强验证、增强型通信协议、不确定性量化以及内存和状态管理。这些策略需要更深入的研究和细致的实施，仍是有待未来探索的研究课题。
图｜多 agent 系统的解决策略和故障分类
研究团队在两个案例研究中应用了这些策略方法。
在第一个案例中，他们使用 AG2 中的 MathChat 场景实现作为基线，在该场景中，学生 agent 与能够执行 Python 代码的助理 agent 合作解决问题。
为了进行基准测试，他们从 GSM-Plus 数据集中随机选取了 200 个练习。第一种策略是改进原始提示，使其具有清晰的结构和专门用于验证的新部分。第二种策略是将 agent 配置细化为一个更专业的系统，其中包含三个不同的角色：问题解决者（Problem Solver），不使用工具，使用思维链方法解决问题；编码者（Coder），编写并执行 Python 代码，得出最终答案；验证者（Verifier），审查讨论并批判性地评估解决方案，要么确认答案，要么引发进一步讨论。
在这种情况下，一旦找到解决方案，只有验证人可以终止对话。
在第二个案例中，ChatDev 模拟了一个多 agent 软件公司，不同的 agent 有不同的角色定位，如首席执行官、首席技术官、软件工程师和审核员，他们试图合作解决一个软件生成任务。
他们实施了两种不同的干预措施。第一个是改进特定角色的提示，以强化层次结构和角色一致性；第二个是尝试涉及对框架拓扑结构的根本性改变，将框架的停止结构从有向无环图（DAG）修改为循环图。
现在，只有当 CTO agent 确认所有审查都得到适当满足时，该过程才会终止，并设定了最大迭代截止时间，以防止出现无限循环。这种方法可以实现迭代改进和更全面的质量保证。
图｜各种方案的性能准确度
研究团队表示，许多“显而易见”的解决方案实际上存在严重的局限性，需要概述的结构性策略来实现更加一致的改进。
考虑到目前多 agent 协调中的信息冗余与冲突，协作中放大的模型偏差，未来的多 agent 系统需要做到快速响应、实时验证和动态协调，以提高团队协作的有效性。
“基于 LLM 的多 agent，在分布式科研协作、应急响应系统等领域仍具有一定的潜力。”
作者：与可
MORE
