1. 这波 LLM 多智能体，究竟在“变什么”？

过去的多智能体系统（Multi-Agent Systems, MAS）研究，常见关键词是：博弈论、机制设计、多智能体规划与学习、协商与信誉、群体规范与涌现、沟通与协作、人机交互、对手建模、社会网络、仿真、以及形式化验证等。AAAI’26 的教程将这条“传统 MAS 主线”与近两年的“LLM 智能体（agent）浪潮”拼接在同一张路线图上：LLM 不只是生成文本，而是把自然语言理解/推理/规划/工具调用/记忆整合到一个可执行的“智能体控制器”里，进而让“多智能体协作”从学术设定走向工程工作流与产品化场景。[PDF p.3–6]

在该教程的定义里，MAS 的核心是：多个智能体在共享环境中共存并交互；每个智能体拥有自己的观测、动作、目标与领域知识；系统需要在合作、竞争或混合博弈的约束下协调行动以达成目标。[PDF p.5]

图1 教程总览：从 Foundations 到 Frontiers 的四段式结构（AAAI’26 Tutorial PDF，第2页）

2. 基础层：把“多智能体”说清楚，才能把“协作”做扎实

2.1 MAS 的最小抽象：主体、交互、共享环境

教程用非常“工程友好”的方式重申 MAS：系统里存在多个 agent，它们在同一环境中做决策，行动会互相影响，因此单个 agent 的最优策略往往依赖他人策略。这种相互依赖，决定了你不能只用单体决策（MDP）那套直觉，而需要更一般的建模框架（如 Markov Game / Dec-POMDP 等），并面对联合动作空间指数增长、通信成本、信用分配（credit assignment）、以及可扩展性等问题。[PDF p.4–6, p.89]

图2 多智能体系统示意（AAAI’26 Tutorial PDF，第4页）

图3 MAS 的关键特征：共享环境、各自观测/动作/目标、需要协调（AAAI’26 Tutorial PDF，第5页）

2.2 规模效应：从“两个 agent”到“很多 agent”的质变

在多智能体场景里，最“硬核”的瓶颈之一是联合动作空间（joint action space）随 agent 数量增长而指数膨胀。教程给出直观例子：当 agent 数从 2 增加到 4，联合动作数量会出现爆炸式增长，从而带来训练/搜索成本飙升，进而逼迫我们在架构与协调机制上做“结构化约束”。[PDF p.89]

图4 多智能体扩展到多 agent 时，联合动作空间指数增长（AAAI’26 Tutorial PDF，第89页）

3.智能体（Agent）在 LLM 时代的“新解法”：M-P-T 三模块

3.1 Agent = LLM + Memory + Planning + Tools

教程把LLM agent 拆成三个模块：Memory（记忆）、Planning（规划）、Tools（工具），并明确“工作记忆”对应上下文窗口。这个拆分和 Lilian Weng 的经典综述一致：LLM 作为‘大脑’，外接规划、记忆与工具使用组件。[PDF p.95；Weng 2023]

图5 LLM Agent 的三模块：Memory / Planning / Tools（AAAI’26 Tutorial PDF，第10页附近；此处截图为第11页挑战页之前的脉络）

3.2 Planning：从 CoT 到 ReAct，再到“可执行动作”

Planning 的目标不是传统意义的最优规划，而是让模型在复杂任务中具备‘程序化的推理-行动控制’。在提示工程层面，Chain-of-Thought（CoT）通过给出中间推理步骤示例，让模型更容易分解多步问题；ReAct 则将推理轨迹与可执行行动交织在一起，让 agent 在外部环境/工具上“边想边做”，降低纯推理带来的幻觉与误差传播风险。这些方法都属于训练前（training-free）的能力脚手架：你不一定需要先做 RL 或大规模微调，也能让 agent 在多步骤任务里更稳定。[Wei et al. 2022；Yao et al. 2022]

3.3 Memory：Episodic / Semantic / Procedural 的分层视角

在记忆侧，教程采用认知科学的经典分层：情景记忆（episodic）、语义记忆（semantic）、程序性记忆（procedural）。这套分层常用于解释：为什么 agent 需要把短期上下文（工作记忆）与长期存储（向量库、日志、工具调用轨迹）结合起来，才能在跨回合任务中保持一致性与可追溯性。[PDF p.95；Tulving 1972；Sumers et al. 2024]

3.4 Tools：API、代码、搜索，把语言模型接到“可验证世界”

工具使用（Tools）包含 API 调用、代码执行、检索搜索等。教程特别强调：当任务存在可验证的外部判据（例如编译/单元测试/计算器验证），可以把 reward 或评估从‘主观偏好’转为‘可验证信号’，这会显著提升训练与迭代的可控性。[PDF p.116–120]

4. LLM 多智能体工作流：用图来组织协作，用协议来减少混乱

4.1 Workflow Graph：把协作结构显式化

教程用‘多智能体工作流（workflow）= 图结构’来描述协作：节点可以是 agent 或任务；边表示信息流/通信；执行可按轮次或异步推进；图结构可以是静态或动态。这个表述很关键：一旦把协作结构显式化，你就可以讨论不同拓扑（中心化、环形、全连接、消息总线等）对吞吐、鲁棒性、权限边界和工程复杂度的影响。[PDF p.9–10；p.168–170]

图6 多智能体工作流：以图结构组织 agent 交互（AAAI’26 Tutorial PDF，第9页）

4.2 典型挑战：任务分解、委派、依赖管理

教程在工作流层面列出挑战的第一条就是：层级化任务分解与委派（Hierarchical Task Decomposition and Delegation）。其要点是：复杂目标需要拆成可执行子任务，同时要处理子任务间依赖；拆分后要把任务委派给具备对应能力与工具权限的 agent；再把输出汇总成可交付结果。[PDF p.11]

图7 工作流挑战：任务分解与委派（AAAI’26 Tutorial PDF，第11页）

4.3 结构范式：中心化 Orchestrator vs 去中心化自演化网络

在‘前沿’部分，教程对比了预定义、多层级、中心化控制的工作流（容易形成单点瓶颈）与自演化、去中心化的 agent network。它给出若干结构示例：中心化协调（central agent hub）、环形通信（ring）、全连接/部分连接网络（mesh）、消息总线（bus）等，并讨论在隐私与敏感数据处理上，如何把‘协调’与‘数据处理’拆开：Orchestrator 负责路由与状态机，不直接触碰敏感数据，敏感数据由专门 agent 在边界内处理。[PDF p.168–171]

图8 LLM-based MAS 的应用与结构入口页（AAAI’26 Tutorial PDF，第168页）

图9 典型拓扑：中心化/环形/网状/总线（AAAI’26 Tutorial PDF，第169页）

5. 应用前沿：从“协作做任务”到“社会仿真与科学协作”

5.1 社会仿真：让 agent 通过对话产生群体涌现

教程把社会仿真作为重要应用之一：多智能体社会模拟强调‘简单规则 + 动态交互 → 复杂社会模式’，覆盖市场、交通、社会规范等领域。在 LLM 加持下，agent 更像‘可交互的人类行为模拟器’，具备语言推理与适应性行为；群体现象可以通过对话互动自然涌现。[PDF p.164–165]

5.2 AI Co-Scientist：把多 agent 对齐到科学方法流程

教程还提到AI Co-Scientist 作为多智能体系统形态之一：它被描述为构建在 Gemini 之上的多 agent 系统，用于镜像科学方法的推理过程，帮助专家整理证据与改进工作，定位为‘协作工具/虚拟科研合作者’。[PDF p.166–167]

6. 从‘能跑’到‘能优化’：多智能体后训练与强化学习信号设计

6.1 先讲清楚 reward：RLHF vs RLVR

在后训练（post-training）部分，教程强调优先使用可验证奖励（RLVR, Reinforcement Learning with Verifiable Rewards）：当你能写出确定性的 verifier（如编译器、计算器、单测），就把奖励做成 0/1 或可计算分数，显著约束 reward hacking。相对的，RLHF 依赖人类偏好数据训练 reward model，成本更高，也更容易出现智能体目标偏移。[PDF p.117]

6.2 稀疏 vs 稠密：PRM（过程奖励模型）的取舍

教程给出奖励设计的工程规则：通常正确性权重占70–90%；模型会找捷径（Goodhart 风险）；可以先从稀疏奖励起步，必要时引入过程奖励模型（PRM）给每一步打分，以降低梯度方差并支持早停，但代价是需要更细粒度的标注。[PDF p.118–119]

6.3 PPO vs GRPO：基础设施成本与迭代速度

在算法侧，教程用一页对比PPO 与 GRPO：GRPO 用组内均值奖励替代 learned critic，省去 value function 训练，通常更简单、更适合研究快速迭代；如果不确定，从 GRPO 开始是一个实用建议。[PDF p.119]

6.4 规模与显存：从 7B/8B 的快速迭代，到 70B+ 的生产级训练

教程给出‘模型大小阶梯’：7B/8B（1 张 GPU，快迭代）→ 14B（1–2 GPU）→ 32B（4–5 GPU）→ 70B+（8+ GPU，偏生产）。并强调：只有在有明显信号后再扩规模。同时给出训练显存的粗略估算：全量 AdamW 微调时，模型状态约 20 bytes/param 量级，7B 已经需要多卡或做内存优化（如 PEFT、ZeRO、分片等）。[PDF p.121–123]

7. 工程生态：多智能体框架如何选型

如果把LLM-based MAS 看成‘可组合的工作流系统’，那么关键问题是：你是否需要一个高层对话编排框架，还是需要一个更底层、可控的状态机/图执行引擎。在开源生态里，微软 AutoGen 提供多智能体对话编排抽象，并在 2025 年宣布与 Semantic Kernel 方向合并为 Microsoft Agent Framework；LangGraph 以“图”为基本执行单元构建长期运行、状态化 agent；CrewAI 则强调轻量、角色化的多 agent 协作与可配置性。[AutoGen GitHub；Microsoft Agent Framework GitHub；LangGraph GitHub；CrewAI GitHub]

8. 走向 Frontiers：你可以把哪些问题当成下一阶段的研究/产品路线

结合教程的‘基础—agent—多智能体—演示’结构，可以把前沿问题落到更可操作的研发清单：（1）协作结构：静态工作流 vs 动态拓扑，何时需要自适应重连与专家化；（2）权限与隐私：Orchestrator 与敏感数据处理解耦；（3）可验证性：把关键步骤接入 verifier 与可追溯日志；（4）训练闭环：优先 RLVR，必要时 PRM，选择 GRPO/PPO 并控制工程复杂度；（5）评测与基准：把任务分解质量、协作效率、鲁棒性、工具调用成功率做成指标体系，并用真实工作流持续回归。[PDF p.168–175]

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】