超越个体智能：调查基于LLM的多智能体系统的协作、故障归因与自我进化

该研报探讨了基于大型语言模型（LLM）的多智能体系统，将其操作生命周期分为四个相互关联的阶段：个体智能、多智能体协作、多智能体系统故障归因和多智能体系统自我进化，并分析了每个阶段的核心能力、组织机制、方法论和评估方法。

个体智能阶段主要关注单个智能体的能力，包括推理、记忆、规划和工具使用等方面。研报回顾了各种增强这些能力的方法，例如使用知识增强和模态增强来扩展推理能力，使用不同类型的记忆来存储和检索经验，以及使用基于分解和搜索的规划方法来制定行动计划。

多智能体协作阶段关注智能体之间的协作机制，包括角色分配、通信、编排和交互等方面。研报分析了不同类型的角色能力（同质和异质）和角色分配方法（静态和动态），以及显式和隐式通信模式，以及集中式、分布式和混合式编排拓扑。此外，还讨论了顺序和并行交互模式，以及合作和竞争交互模式。

多智能体系统故障归因阶段关注如何诊断系统故障的原因，研报回顾了故障分类方法，包括系统结构、执行阶段和因果生命周期，以及数据驱动、约束引导和因果推理等故障归因方法。此外，还讨论了故障归因数据集的构建和评估方法。

多智能体系统自我进化阶段关注如何使系统能够自主地改进自身，研报提出了自我进化的形式化定义，并将其分为个体、系统和元三个层次，以及六种驱动机制：LLM 反思、强化学习、监督微调、进化算法、文本梯度和启发式更新。此外，还讨论了自我进化框架的评估方法，以及未来研究方向。

研报指出，当前多智能体系统研究存在以下挑战：可扩展性、可靠性和成本。未来研究应重点关注自适应协调、协作高效设计和可信的多智能体推理等方面。该研报为多智能体系统研究提供了系统性的参考和概念路线图，旨在推动自主、自我改进的多智能体智能的发展。