原文网址：[2512.01035] Goal-Oriented Multi-Agent Semantic Networking: Unifying Intents, Semantics, and Intelligence

摘要——6G服务正朝着面向目标和AI原生的通信方向发展，这有望在各个行业带来变革性的社会效益，并促进能源的可持续性。然而，当今建立在应用与网络完全解耦基础上的网络架构，无法暴露或利用高层目标，限制了其智能适应服务需求的能力。本工作介绍了面向目标的多智能体语义网络（GoAgentNet），这是一种将通信从数据交换提升到目标实现的新架构。GoAgentNet通过将应用和网络的功能抽象为多个协作智能体，使它们能够协同工作，并通过语义计算和跨层语义网络联合编排多智能体感知、网络、计算和控制，允许整个架构追求统一的应用目标。我们首先概述了传统网络设计在支持6G服务方面的局限性，并在此基础上重点介绍了我们GoAgentNet设计的关键促成因素。然后，通过三个代表性的6G使用场景，我们展示了GoAgentNet如何解锁更高效和智能的服务。我们进一步指出了GoAgentNet部署所面临的独特挑战以及相应的潜在解决方案。一项关于机器人故障检测与恢复的案例研究表明，与没有采用GoAgentNet的现有网络架构相比，我们的GoAgentNet架构将能效提高了多达99%，任务成功率提高了多达72%，这突显了其支持可扩展和可持续6G系统的潜力。

I. 引言

国际电信联盟（ITU）发布了IMT-2030框架[1]，定义了6G的六个使用场景和十五项使能能力。这些发展有望在各垂直行业产生重大的社会影响，并支持联合国可持续发展目标（SDG）[2]。例如，沉浸式扩展现实（XR）和混合现实（MR）可以提高远程教育和远程医疗服务的质量（SDG 3和4：良好健康与福祉、优质教育）；而6G赋能的机器人可以提高生产效率（SDG 8和9：体面工作和经济增长、产业创新和基础设施）。

为了在6G中实现这些社会和可持续发展目标，现有的传统网络架构（例如，OSI七层模型[3]、3GPP协议栈[4]和意图驱动网络（IDN）[5]）在满足6G的社会和可持续性目标方面面临重大挑战。首先，传输所有信源编码比特的传统通信系统正在接近香农极限，这对于超密集网络既不可扩展，也不足以可持续地支持XR和元宇宙等数据密集型应用。其次，最初为eMBB、URLLC和mMTC设计的、使用网络切片的基于服务的架构（SBA），很难满足机器人和XR等新终端用户多样化且耦合的需求。用户意图或体验质量（QoE）跨越多项服务属性。例如，XR需要高数据速率（570 Mbps - 4.1 Gbps）和低交互延迟（5 - 10 ms）[6]，超出了单个切片的表达能力。最后，OSI分层设计支持跨七层的分层机制，便于管理和控制。然而，这种隔离的分层设计不允许应用层的用户意图传播到较低层进行跨层优化，从而无法灵活地支持应用目标。

为了解决这些局限性，面向目标的语义通信（GSC）作为一种有前途的范式应运而生[7]。通过仅提取和传输有助于实现应用目标的语义表示，GSC将通信与任务需求对齐，同时提高了可扩展性和可持续性。尽管对其兴趣日益浓厚，但现有的关于GSC的研究主要针对单域[8]、单模态[9]或点对点链路[10]的任务而设计，未达到6G所设想的多智能体、跨域交互的要求。这促使范式向面向目标的多智能体网络转变，从而能够通过语义和上下文感知接口，实现感知、计算、网络和控制的协调编排。

受这些差距的启发，在本文中，我们提出了一种面向目标的多智能体语义网络（GoAgentNet）架构，该架构将网络功能和应用服务都抽象为分布式的、协作的智能体。GoAgentNet能够通过语义计算和跨层网络在多种应用中联合编排计算和通信资源，从而仅传递实现目标所需的、最小的、最有价值的信息。我们的主要贡献如下：

我们回顾了传统架构（包括OSI模型、3GPP协议栈和意图驱动网络）在支持目标驱动的6G服务方面的局限性。

我们介绍了一种新颖的面向目标的网络架构，旨在与现有的架构进行无缝集成，包括应用层、智能体层、知识层和网络层。这种设计允许通过语义计算和跨层语义网络进行多智能体计算和通信编排，以实现高级目标。然后，我们确定了其部署面临的主要挑战和潜在解决方案。

使用机器人故障检测与恢复（FDR）用例，我们验证了与传统架构相比，我们提出的GoAgentNet将能效提高了多达99%，任务成功率提高了多达72%，为可扩展和可持续的6G网络铺平了道路。

在本节中，我们回顾了当前通信系统如何通过现有的标准化网络架构（包括OSI七层模型、3GPP协议栈和IDN）来处理用户意图。

OSI七层模型：作为传统网络架构的基础，OSI模型[3]通过从应用层到物理层的分层结构来组织网络功能。它强制实行层间分离，在此之下，每一层仅向其上一层提供预定义的服务，并调用其自身的协议栈来实现指定的功能。结果，网络充当一个不透明的数据管道，承载着消息却对应用目标毫无了解；而应用程序在做决策时也无法感知实时网络状况。这种隔离阻碍了跨层优化，并限制了网络支持面向目标的服务的能力。

3GPP协议栈架构：3GPP协议栈[4]作为OSI模型的具体实现，引入了基于服务的架构（SBA）和网络功能虚拟化（NFV），以实现更灵活的功能编排。这使得网络功能能够根据给定意图的需求，将其能力作为可访问的服务暴露出来，从而提供服务差异化。然而，这种架构仍然遵循分层边界，因为应用和网络服务之间的交互仅限于服务调用，并没有将它们协调起来以实现共享的应用目标。例如，无线电级别的拥塞控制可能会优化频谱效率，但可能与应用的语义或任务优先级发生冲突。

意图驱动网络：IDN[5]通过将简化的声明性语句（例如，在伦敦和巴黎之间建立高速连接）转换为具体的网络需求（例如，最小数据速率100 Mbps），将应用意图引入网络管理。然后，这些需求被映射到底层网络策略和配置（例如，一条沿着伦敦-巴黎路径保留100 Mbps的QoS策略），以达到符合意图的状态。虽然这实现了意图感知的自动化，但IDN在适应6G服务的多样性和复杂性方面仍然有限。这是因为IDN仍然在网络层运行，在这一层，意图被解释为带宽或延迟等网络指标，且由此产生的网络策略侧重于强制执行这些需求，而不是反映真正的应用目标。在6G用例中，通信充当实现垂直领域特定目标（例如，确保安全的机器人控制）的手段，而不是任务本身。因此，仅靠网络级意图无法确保最佳的应用层性能。

图1. GoAgentNet架构和关键促成因素。

III. 面向目标的多智能体语义网络架构

与传统的网络架构不同，我们的GoAgentNet架构将高层应用目标暴露给较低层，从而使所有层都朝着一个统一的任务目标对齐。如图1所示，GoAgentNet在应用层和网络层之间引入了两个新的虚拟层，即智能体层和知识层，其中知识层收集任务信息和语义资产以用于跨层目标理解，而智能体层则对应用和网络行为进行面向目标的协调。在本节中，我们首先详细解释GoAgentNet中的功能平面、接口和跨层协作，然后展示三个6G用例，以突出GoAgentNet如何有效地实现通信目标。

A. 应用层

作为用户与网络之间的接口，应用层负责意图转化，旨在识别任务类型、端到端KPI、操作约束以及KPI之间的可接受权衡。如图2a所示，表达用户意图的常见方式包括自然语言、基于意图的语言（例如，Nile[11]）、图形接口以及结构化的特定领域描述。当应用层接收到异构输入时，意图

转化模块通过自然语言理解或结构化解码来解释它们，以提取与意图相关的标签，如任务类型、KPI和约束条件。然后将这些标签编码为标准化的目标表示模型（例如，资源描述框架（RDF）），以便跨层实现一致的目标理解，并暴露给较低层以进行跨层目标优化。与以网络KPI为中心的传统网络架构不同，我们的意图-目标映射超越了网络领域，这意味着它也接受来自任意垂直应用的意图，例如机器人任务成功率和定位误差。

图2. 我们的GoAgentNet架构中意图转化和知识图谱的示例。

B. 智能体层

GoAgentNet将应用服务和网络功能都抽象为多个专门的且相互连接的智能体，这些智能体通过智能体层内的智能体通信协议协调它们的行动，以促进跨层和跨领域的协作。

*1) 智能体类型：*在提出的GoAgentNet架构中，智能体根据其功能域分为五种类型，即感知智能体、通信智能体、计算智能体、执行智能体和编排智能体，它们共同涵盖了任意应用端到端编排所需的所有功能，其常见功能空间总结在表I中。

• 感知智能体通过传感器收集感知数据，其功能空间包括对感知行为的上下文感知控制。

• 通信智能体管理端到端的数据传输并确定所有网络策略。

• 计算智能体执行特定于任务的计算（例如，模型推理和内容生成），其功能空间包括灵活分配计算资源和选择模型超参数。

• 执行智能体与物理环境交互以执行控制命令，并根据需要自适应执行动态。

• 编排智能体从全局视角执行动态任务分解和分配，实时响应意外干扰，例如不断变化的智能体拓扑结构、不断演变的用户需求以及波动的网络条件。

2) 智能体通信协议：智能体通信协议定义了智能体如何发现、注册，以及彼此之间和与外部源之间交换信息，以进行协作任务执行。新兴的智能体协议包括智能体到智能体（A2A）协议、模型上下文协议（MCP）和智能体通信协议（ACP）。虽然它们都支持智能体间的通信，但由于MCP [12] 开放和可扩展的设计，我们在接下来的讨论中将其作为代表性示例。

3) 知识图谱生成与更新：在系统初始化期间，通过智能体通信协议，智能体网络被抽象为一个知识图谱，存储在底层的知识层中。编排智能体可以访问该图谱进行协调，其他智能体也可以访问它以识别相关的对等体进行协作。如图2b所示，节点代表各个智能体及其配置文件，而边则捕获交互链接、能力依赖关系和共享知识。在任务执行之前，每个智能体通过MCP定义的标准化注册接口来发布其本地配置文件，该配置文件描述了其工具列表（即能力）、输入和输出模式、功能空间以及当前可用资源。这使得对等体或编排智能体能够查询、订阅或请求特定的功能。在任务执行期间，智能体交互遵循MCP定义的JSON-RPC格式，该格式指定了调用的能力、传输的数据及其类型以及返回的结果，从而允许智能体识别消息内容、目的地、所需资源和合适的协作者。为了保持对智能体网络的实时视图，知识图谱通过MCP内置的上下文同步机制进行动态更新，当智能体加入、离开或修改其能力和资源状态时，该机制会广播状态变更事件。

*4) 智能体管理与编排：*一旦建立知识图谱，编排智能体就会跨多个不同的智能体执行任务分解和分配，这使得所有参与实体（包括应用工具、通信系统、计算平台和控制单元）之间能够无缝协调。首先使用面向智能体的任务规划方法（例如合同网协议（CNP）或层次任务网络（HTN））将高级任务分解为多个子任务，在此期间，根据系统整体可用资源，将相应的KPI和操作约束分配给各个子任务。每个子任务被分配给一部分异构智能体，这些智能体的能力最符合所需的功能和KPI需求。因此，任务编排将高级应用目标转换为表示为知识图谱上的遍历路径或子图的执行计划，其中使用图搜索（例如，思维图 (GoT) [13]）或路径优化算法（例如，Dijkstra 算法）识别最佳协作路径。例如，编排智能体协调通信和计算智能体，以决定本地处理还是边缘卸载能实现更好的能效。这种组合方法通过在不同场景中重用和重新组合不同的智能体，增强了系统的可扩展性和泛化能力。

C. 知识层

知识层是GoAgentNet中跨层协作的关键促成因素。它存储了所有层都可以使用的应用和网络知识库，这使得智能体层能够制定任务级策略，网络层能够生成传输策略。

*1) 应用知识库：*通过对应用目标和传输上下文的语义感知推理，该库确保所有层都能理解、解释和操作应用目标。它包括 (a) 从智能体层传递来的知识图谱，(b) 规范智能体通信的表示规则，如消息格式，(c) 定义原始数据、其语义表示和下游任务之间关系的映射规则，(d) 智能体可以访问和重用的预训练语义模型，如编解码器和分词器（tokenizers），以及 (e) 全局共享知识，包括码本、数据集和在线资源（如用于控制的动力学模型和用于生成任务的3D模型）。

*2) 网络知识库：*该库提供了网络状态的全面视图，以表征底层网络指标和高层应用目标之间的依赖关系，从而使上层能够对底层网络状态做出反应，并做出更明智的计算和控制决策。它包括来自网络层的反馈，如信道状态信息、拥塞程度、带宽限制、链路可靠性、能耗和安全指标。

D. 网络层

作为传统架构的原生组件，网络层保留了其在确定网络策略方面的核心作用，同时在GoAgentNet中进行了扩展以与高级应用目标保持对齐。它传输与任务相关的语义表示，而不是原始数据，以完成特定的通信目标。此外，它还提供了一个跨层反馈循环，将网络状态报告给知识层，以支持应用程序的决策。

*1) 面向目标的语义通信：*与强调无差错比特传输的传统网络不同，GoAgentNet中的网络层优先考虑消息相对于应用目标的重要性。它提取最紧凑、与任务相关的语义表示，并仅在必要时传输它们。这使得网络能够推理哪些信息是重要的，为什么重要，以及如何有效地传递它。

*2) 跨层反馈循环：*GoAgentNet在应用层和网络层之间建立了双向交互循环。来自应用的向下信号指示了任务的临界性和语义重要性，允许网络优先传输（例如，在机器人的拾取和放置任务中，将障碍物检测视为高优先级，而将背景视觉视为低优先级）。向上的反馈将网络状态报告给知识层，使应用程序能够预测其行为（例如，语义编码）如何影响目标的实现并做出相应的调整（例如，在同一个拾取和放置的例子中，在信道条件差的情况下，传输物体轮廓而不是完整图像）。在极端情况下，网络层甚至可以就应该传输什么数据来保持任务连续性提供明确的指导，比如通知应用层“在目前的信道条件下，需要将图像分辨率降低至720p，以确保在5秒内完成抓取”。

E. 用例

所提出的GoAgentNet支持跨工业垂直领域的多种6G用例。在此，我们重点介绍三个选定的用例：机器人故障检测与恢复 (FDR)、视觉问答 (VQA) 以及用于3D视频的生成式AI，它们与欧盟6G白皮书[6]中的物理感知、协作机器人和沉浸式体验系列相一致。

*1) 机器人故障检测与恢复：*FDR旨在自动检测故障（例如，碰撞、物体滑落）并为机器人生成恢复策略。机器人将传感器数据上行传输到边缘以维持实时感知，在边缘服务器上聚合接收到的信息，并将改进的命令和控制数据发回。这

紧密耦合的感知-通信-控制环路无法由具有隔离层的传统架构处理。首先，这种跨域多跳任务远远超出了它们的能力，因为每个域只被设计用来优化其本地KPI，而没有相互协调。其次，较低的网络层无法将实时网络状况反馈给上层，导致决策基于过时的观察结果。

相比之下，GoAgentNet通过虚拟知识层赋能的智能体编排和闭环反馈，提供了整体的跨层协作。基于知识图谱，它将碎片化的域动作转化为自主的、面向目标的编排，在其中专门的智能体协作和协商以实现统一的意图，同时优化其本地目标。它还促进了评估每个域的行动如何影响整体任务的闭环反馈。在波动的网络条件下，边缘服务器可以迅速检测到网络退化，并使用运动预测或信道状态插值来补偿控制决策，以保持控制稳定性。

2) 视觉问答： VQA回答用户关于图像的查询，通常需要多个视觉任务，如检测、分割和分类。这些任务中的每一个都有自己的有效性级别指标，但用户意图通常要简单得多，旨在获得最高的答案正确性。传统网络无法感知哪些数据真正影响答案的正确性。它们继续优化网络级别的KPI，最终陷入一种困境：即使将这些KPI推向极限，系统仍然会生成不正确的答案。GoAgentNet将用户意图集成到传输策略中，根据其重要性，选择性地编码和传递直接有助于答案准确性的、与任务相关的语义表示（例如，对象标签或分割图）。

3) 用于3D视频的生成式AI： 生成式AI在接收端通过生成模型（例如，Stable Diffusion）从有限且带噪的视觉数据中重建沉浸式3D视频。在用户意图实现3D场景的高保真和实时重建的情况下，由于带宽密集型的视频传输，传统架构遭受着显著的延迟和能耗。GoAgentNet通过其面向目标的通信设计克服了这个问题，该设计选择性地传输在生成模型中重建3D场景所需的语义表示（例如，关键点和文本），同时实现了更好的重建质量，特别是在信道条件严重恶化的情况下。

IV. 挑战与潜在解决方案

在本节中，我们总结了在各层实现GoAgentNet的主要挑战，并讨论了相应的潜在解决方案。

A. 应用层

挑战1：跨域意图-动作映射。 GoAgentNet中的用户意图可能会超出通信目标，并涵盖不同的垂直领域。一个根本的挑战是如何解释异构智能体的统一目标并将其映射到它们各自的功能上。例如，在数字孪生重建中，通信智能体无法明确感知调度或重传策略如何影响重建精度，因为精度还取决于感知质量。当传输低保真度观测值时，通信智能体无法判断性能下降是源于传输延迟，还是源于感知智能体的糟糕感知。

解决方案1：结构因果模型。 为了实现异构意图的跨域解释，应用层可以采用结构因果模型（SCM）来形式化智能体功能、特定领域的性能指标和全局目标之间的依赖关系。SCM通过一组结构方程来表示跨域依赖关系，其中每个方程形式化了一个变量的变化如何影响跨域的另一个变量。例如，重建精度可以建模为感知质量和信息及时性的函数，而这两者本身相互作用（更高的分辨率增加负载；延迟降低观测保真度）。通过这些结构方程，应用层随后执行干预推理，以确定保证全局目标的域指标的下界。这使得每个智能体能够理解其自身的行动如何有助于意图的实现，并相应地调整其行为。

B. 智能体层

挑战2：面向目标的协调与编排。 GoAgentNet任务被分解为由异构智能体执行的相互依赖的子任务。这带来了两个关键困难：(1) 能力与任务不匹配： 目前尚不清楚如何将任务需求映射到候选智能体，特别是当多个智能体提供重叠或部分兼容的功能时。(2) 动态环境： 智能体状态、资源可用性和任务目标随时间演变，而大多数编排方法假设静态工作流，无法实时重新配置。

解决方案2：基于效用的最优任务编排。 最近在大型语言模型 (LLM) 编排框架 (例如，GoT [13]) 方面的努力将复杂的工作流建模为推理图，以捕获任务依赖性和智能体执行成本，从而实现以目标为条件的智能体选择。GoAgentNet可以通过利用其知识图谱在此基础上构建，该图谱已经编码了智能体间的关系和能力依赖性。然而，GoAgentNet中的智能体在能力、模态和可用资源方面是异构的。为了支持这些智能体，任务编排必须包含一个统一的效用函数，该函数不仅定量评估执行成本，而且还基于多种因素（例如 A2A 通信成本、潜在的智能体转移开销和编排历史）定量评估协作效率。在实践中，GoAgentNet可以将这种基于效用的编排集成到现有的多智能体编排平台中，包括OpenAI的Swarm和Microsoft的AutoGen。

挑战3：用于GoAgentNet的可持续和可扩展的AI。 随着高级任务的范围和多样性的扩大，引入了新的专门智能体来支持新的功能。然而，智能体的迅速激增将导致

专家爆炸，导致计算节点上出现显著的模型存储和维护开销。更重要的是，这将增加智能体协调和编排的复杂性，因为智能体间的通信需要更加频繁，并且寻找最优路径的搜索空间呈指数级增长。这突显了在GoAgentNet中对可持续和可扩展AI的需求，其中智能体必须根据不断变化的协作环境来适应、重用并演进其能力和知识。

解决方案 3.1：混合专家（Mixture of Experts）。 解决可持续性和可扩展性挑战的一个有前途的解决方案是混合专家（MoE），它将模型分解为轻量级的专家，并使用门控网络将每个输入或任务路由到相关的子集。在GoAgentNet中，MoE允许将智能体进一步分解为更细粒度的专家，这些专家可以通过任务感知门控在相关任务中按需激活和重用。例如，嵌入在视频生成智能体中的语音生成专家可以直接被调用用于语音生成任务，而无需额外部署智能体。

解决方案 3.2：权重共享（Weight Sharing）。 权重共享通过在相似领域的智能体之间保留一个公共主干并添加小型的特定任务模块，从而减轻了模型重复。当出现新任务时，智能体可以加载预先存储的特定任务权重，以实现快速的任务切换和高效的知识重用，而无需在新任务上从头开始重新训练。在GoAgentNet中，权重共享的成熟实现（如低秩自适应（LoRA）和适配器模块）可以被随时利用，以使相似领域的智能体能够自我演进，从而支持智能体的终身演进。

C. 知识层

挑战 4：多模态上下文与知识共享。 知识层充当一个共享存储库，聚合由异构智能体收集的多模态数据。然而，多模态语义对齐仍然具有挑战性，因为通过不同来源捕获的信息无法直接集成为对同一环境的连贯理解。此外，在智能体之间的模态转换或知识交换期间，由于数据压缩、传输或重建期间的失真、不完整或不确定性，可能会出现语义歧义。

解决方案 4：统一且共享的语义空间。 知识层可以建立一个端到端的共享语义空间，实现与模态无关的理解。诸如令牌（token）通信[14]之类的机制允许智能体传输语义表示或中间推理状态而不是原始数据，从而保持保真度并减少歧义。另一种选择是基于KV-cache的多模态通信，其中智能体传输用于推理和恢复原始数据的中间键值缓存，而不是原始数据本身，以促进无损数据共享。在GoAgentNet中，参与多模态任务的智能体可以调用由知识层维护的统一分词器（tokenizer），将多模态数据转换为令牌，以进行跨模态理解。

V. 案例研究

我们在机器人FDR任务（见第III-E1节）中展示了我们GoAgentNet架构的有效性，其中拾取和放置任务在MuJoCo模拟器[15]中进行。如图2a中的用户意图示例所示，用户意图首先在应用层转化为两个面向FDR的KPI（即任务成功率和延迟）以及一个带宽约束。然后，编排智能体检索知识图谱示例（图2b）以及知识层处的网络状态，以便相应地使用解决方案 2确定最佳执行路径：

1. 感知智能体捕获机器人工作空间的原始点云，在此基础上，计算智能体根据映射规则执行语义提取，这得到了由解决方案 3.1中描述的Transformer编码器重用的支持，以生成适合FDR的语义表示，范围涵盖从最紧凑的场景图（SG）图3 (c)、轻量级的物体边缘点集图3 (d)，到未压缩的原始点云如图3 (b)；

2. 通信智能体随后根据带宽约束选择传输内容和时间，并实时反馈网络状态；

3. 在接收到这些多模态语义表示后，LLM计算智能体在解决方案 4中介绍的其词汇簿内对它们进行推理，以促进对环境的统一理解并产生机器人重新规划策略；

4. 执行智能体随后将重新规划的动作映射为可执行的控制命令并将其应用于机器人。我们还将我们的GoAgentNet方法与一个代表传统面向比特的网络架构的基线进行了比较，后者没有跨层协作，并传输场景的整个点云，如图3 (b)所示。

表 II 展示了我们提出的GoAgentNet如何根据具有不同带宽约束的三个不同用户意图来调整其传输数据和编排路径，而图 4 比较了基线和我们的GoAgentNet架构之间相应的通信能量和FDR成功率，从中我们观察到：

在本文中，我们提出了一种通用的面向目标的多智能体语义网络（GoAgentNet）架构，该架构将应用服务和网络功能抽象为协作智能体，并通过语义计算和跨层语义网络，朝着同一高层目标编排多智能体的感知、通信、网络和控制。我们首先概述了现有网络架构在支持6G社会和可持续发展目标方面的局限性。在此基础上，我们详细介绍了我们提出的GoAgentNet架构的结构和关键促成因素。我们还指出了在GoAgentNet的实际部署中的主要挑战和潜在解决方案。最后，我们的机器人故障检测与恢复（FDR）案例研究表明，我们的GoAgentNet架构可以在极大降低能耗的同时显著提高任务成功率。鉴于6G旨在为联合国的可持续发展目标做出贡献，并赋能具有多样化和耦合目标的垂直行业，所提出的GoAgentNet架构为促进环境可持续性并带来长期社会效益的6G生态系统奠定了坚实的基础。

这些观察结果再次突显了GoAgentNet作为一种对社会有益且可持续的通信范式的整体有效性。通过多智能体编排和跨层语义网络，它实现了超越通信领域的意图，并且还传输了最少但信息丰富的数据以促进能源的可持续性。

VI. 结论

在本文中，我们提出了一种通用的面向目标的多智能体语义网络（GoAgentNet）架构，该架构将应用服务和网络功能抽象为协作智能体，并通过语义计算和跨层语义网络，朝着同一高层目标编排多智能体的感知、通信、网络和控制。我们首先概述了现有网络架构在支持6G社会和可持续发展目标方面的局限性。在此基础上，我们详细介绍了我们提出的GoAgentNet架构的结构和关键促成因素。我们还指出了在GoAgentNet的实际部署中的主要挑战和潜在解决方案。最后，我们的机器人故障检测与恢复（FDR）案例研究表明，我们的GoAgentNet架构可以在极大降低能耗的同时显著提高任务成功率。鉴于6G旨在为联合国的可持续发展目标做出贡献，并赋能具有多样化和耦合目标的垂直行业，所提出的GoAgentNet架构为促进环境可持续性并带来长期社会效益的6G生态系统奠定了坚实的基础。

• 意图 1： 当带宽低于 5 MHz 时，我们的GoAgentNet自发地选择SG提取路径，并优先考虑最紧凑却信息丰富的SG作为传输的语义表示，与基线相比，这不仅将通信能耗降低了超过99%，同时还将任务成功率提高了72%。基于其意图解释和闭环反馈能力，它可以从全局视角感知到，在有限带宽下传输大容量数据会导致过度的延迟，最终损害意图的实现。

• 意图 2： 当带宽约束略微放宽（低于 10 MHz）时，GoAgentNet从SG（场景图）切换到更消耗带宽的边缘点传输，与基线相比，这实现了高75%的能效和高44%的任务成功率。这展示了其跨层网络的特性，因为在这种带宽下，SG和边缘点都不会造成实质性的延迟，但边缘点提供了更丰富的几何细节，从而能够实现更有效的FDR。

• 意图 3： 当带宽变得足够大（低于 100 MHz）时，GoAgentNet仍然上传边缘点，这减少了80%的通信能量，同时保持了与基线相同的任务成功率。这是因为尽管在这种设置下完整的点云是可以传输的，但边缘点已经包含了完成任务的充足信息，这使得其他与任务无关的传输变得不必要。