大語言模型的能力上限止步于聊天機器人、問答系統、翻譯等特定語言，要想進一步展現潛力、解決更廣泛的問題，就必須想辦法讓它根據洞察力采取行動。換言之，只有掌握了推理的武器，大語言模型才算真正的完全體。

這種推理智能體在AI研究領域有著悠久歷史，他們能夠對以往接觸過的情況進行概括，再據此處理從未見過的情況。在此基礎之上，只要能再建立起多智能體系統，大模型的全面爆發將指日可待。

多智能體系統的力量

這就像組建一支AI夢之隊，每位隊員都有自己的獨特技能，圍繞在同一個目標之下協同努力。多智能體系統依靠通信、上下文共享和行動協調的智能體網絡來實現這種合作，因此能夠解決任何單一智能體或個人都無法處理的復雜挑戰。 

當然，能力越大，面對的問題也就越困難。

但熟悉大規模團隊項目的朋友可以想見，多個智能體必然也存在像人類同事中的溝通不暢、職責重疊和難以朝著共同目標邁進等問題。

為此，本文將深入探討事件驅動設計（已經在微服務架構中得到驗證）如何解決混亂問題，建立起高效、可擴展的多智能體系統。如果您的團隊正在探索AI的未來應用，相信以下內容將帶來有益的啟發。

多智能體協作的挑戰

多智能體系統的管理有著諸多獨特難題：

• 上下文與數據共享：智能體間必須準確、高效地交換信息，避免重復、丟失或誤解。
• 可擴展性與容錯性：隨著智能體數量的增長，系統必須處理復雜交互，并保證可從故障中優雅恢復。
• 集成復雜性：智能體往往很難與其他系統和工具輕松協作，需要額外設計無縫的互操作性。
• 及時準確的決策：智能體需要根據最新數據做出實時決策，以確保響應能力并避免不良結果。
• 安全與驗證：建立護欄對于防止意外操作至關重要，特別是AI模型輸出結果具有高隨機性，更需要輔以嚴格的質量保證。

克服這些挑戰不僅需要全面協調，還需要為多智能體系統量身定制經過驗證的設計模式。接下來，我們將深入研究這些模式，演示如何使用事件驅動設計來建立可擴展、可靠且高效的多智能體架構。

多智能體設計模式

多智能體設計模式負責定義智能體間溝通、協作或競爭模式，從而解決問題的交互結構。通過關注問題域及智能體的交互性質，這些模式能夠對各類場景下的自主實體做出協調。

本文主要探討四大關鍵模式：協調器-工作者模式、分層智能體模式、黑板模式與基于市場模式。我們將展示如何將這些常見模式轉化為事件驅動的分布式系統，在建立數據流應用的同時消除為智能體編排專門設置通信路徑的需求。我們將使用Apache Kafka概念模型描述這些模式的事件驅動版本。

協調器-工作者模式

在此模式中，中央協調器將任務分配給工作者智能體并管理其執行。此模式類似于分布式計算中的主工作者模式，可實現高效的任務委派與集中協調，同時允許工作者專注于處理單一特定任務。

協調器-工作者模式

使用數據流，我們可以調整此模式以實現對智能體的事件驅動。Apache Kafka等數據流技術提供基于鍵的分區策略，協調器可使用鍵在單一主題的各分區間發送命令消息。之后，工作者智能體充當消費者組，從一個或多個分配區中提取事件以完成工作。接下來，各工作者智能體將輸出消息發送至下一主題，由下游系統在主題之內繼續使用。

整個模式如下圖所示：

事件驅動的協調器-工作者模式

雖然此圖看似復雜，但實際大大簡化了系統操作。

協調器不再需要管理與工作者智能體的連接；相反，它使用一種鍵控策略來跨分區進行工作分配。對于需要由有狀態工作者智能體作為上游消息進行處理的事件，亦可對序列中的各個事件使用相同的鍵。

工作者智能體會從一個或多個分區中提取數據，Kafka重新均衡協議可確保各工作者智能體的負載強度基本相當。而一旦工作者發生故障，則可從給定分區重播日志以獲取保存的偏移量。協調器不再需要定制邏輯來管理各工作者；相反，它只需指定工作并使用合理的鍵控策略進行分配。同樣的，工作者也繼承了Kafka消費者組的功能，因此可利用公共機制實現協調、擴展與故障恢復。

分層智能體模式

在此模式中，各智能體被組織為層，其中較高級別的智能體負責監督或將任務委派給較低級別的智能體。通過將較大的復雜問題拆分成更小、更易于管理的部分，此模式在管理大型復雜問題方面表現尤佳。

分層多智能體模式

為了將分層模式轉化為事件驅動的形式，我們在智能體層次中遞歸應用相同的技術以拆分協調器、工作者模式中的工作，以便各非葉節點均充當其各自子樹的協調器。

在以上示例中，Mid Level Agent #1本身是其葉智能體的協調器，整個工作流則在功能層面被封裝到由Top Level Agent負責協調的工作者角色當中。

上圖所示的分層拓撲可轉化為下圖：

事件驅動的分層多智能體模式

通過對分層模式進行事件驅動式改造，我們實現了系統異步，大大簡化了數據流的概念模型。整個運作體系更具彈性，因為拓撲不再以硬編碼形式存在。我們可向同級組中添加或刪除智能體，這就避免了額外安排智能體管理此類變更、或在通信路徑中造成故障。

黑板模式

黑板模式代表一種共享知識庫——各智能體利用“黑板”來發布并檢索信息。此模式允許智能體異步協作且無需直接通信。這對于解決需要增量、多智能體貢獻的復雜問題特別重要。

黑板模式

我們可以以一種直接的方式調整以模式，將其改造為事件驅動架構。

將黑板作為一個數據流主題，其由工作者生成并使用的消息組成。如果需要，可使用鍵控策略或有效負載字段來注釋事件是由哪個智能體發起。

事件驅動版本如下圖所示：

事件驅動型黑板模式

這同樣大大簡化了操作流程，也減少了在基礎設施之外建立定制邏輯的需求。每個工作者只需生成并使用事件，即可與團隊內的其他成員協作。

基于市場模式

此模式模擬一個分散的市場，各智能體在其中協商并競爭以分配任務或資源。

例如，解算器或投標智能體可相互交換響應以改進自身響應結果。此過程會重復固定輪數，其中聚合器智能體將根據所有智能體的響應結果編譯出最終答案。

基于市場的模式

這是一種重要的簡化手段，消除了解算器智能體間原本發生的二次連接，因此避免了在存在大量智能體或出現智能體添加/丟失時連接難以管理的問題。

事件驅動版本如下所示：

事件驅動型基于市場模式

那么，為什么我們堅信這些智能體能夠以事件驅動為前提？

協調和通信的通用操作模型

這里的基本設計模式依賴于共享操作模型，以類似微服務的方式實現智能體間的無縫化協調。

該模型的核心是一種共享語言——或者說智能體交換信息、保持一致并有效協作的方式。這種語言和結構化更新均由事件來充當，確保智能體可以解釋指令、共享上下文并協調任務。我們可以將其視為系統形式的群聊：保持各智能體同步并順利集成新的智能體。

下面來看這種共享語言能夠讓智能體執行哪些操作：

• 解釋命令：智能體接收清晰、標準化的指令（如JSON負載），用以指導其操作。
• 共享上下文：各智能體一致廣播更新，避免重復并確保相互理解。
• 協調任務：智能體執行與共同目標一致的獨立操作，即使在動態或不可預測的環境下也不受影響。

這就是接口的意義所在。我們必須通過設計確保智能體針對事件和命令做出反應，而非各自為戰，確保它們能被無縫集成到更大的事件驅動生態系統當中。

為智能體指定接口

這里有一個關鍵假設，就是各智能體不會預測行動，而僅根據上游事件或命令做出反應。在動態且互聯的環境下，我們可以使用三個組件對智能體進行建模：

• 輸入：使用事件或命令。
• 處理：應用推理或收集其他數據。
• 輸出：向下游消費者發送行動。

這種反應式設計的靈感源自微服務，可使用經過驗證的設計模式實現高效、可擴展系統的開發。

從請求/響應到事件驅動的轉變

傳統上，系統的各個部分是通過請求/響應模型進行交互。這雖然更簡單，但可擴展性和實時響應能力的上限始終不高。隨著系統增長其會引入延遲和性能瓶頸，因為每項操作都須獲得許可，進而拖慢操作速度。

向事件驅動架構的演進，標志著關鍵性的轉變。

在此模型中，智能體被設計為自主發出并監聽事件。事件充當一種觸發信號，允許智能體直接據此做出響應。這種方式能夠讓系統更具敏捷性、可擴展性和高度動態性。

事件驅動系統中的智能體接口由它們發出和使用的具體事件來定義，被封裝在簡單且標準化的消息中，例如JSON負載。這樣的結構化設計：

• 簡化了智能體理解和響應事件的方式。
• 促進了智能體在不同工作流和系統中的可復用性。
• 實現了與動態、持續發展的環境的無縫集成。

例如，健康監測智能體可在觸發閾值時發出警報，無需定制依賴項即可輕松被集成至工作流中。

確保一致性和協調性

為了讓分布式系統運作順暢，讓各智能體間保持一致狀態同樣至關重要。這里就輪到不可變日志出場了——智能體處理的每個事件或命令，都將被記錄在永久不可更改的日志當中。作為單一事件來源，日志可確保所有智能體均在相同的上下文中運行，從而實現：

• 可靠的協調和同步。
• 通過可重放事件實現系統彈性，獲得故障恢復能力。
• 復雜的消費者模型，其中多個智能體可響應同一事件且不致發生混淆或重疊。

這種方法大大提高了系統可靠性，確保智能體即使在復雜或難以預測的環境下也能協同工作以實現共同目標。

要點總結

多智能體系統正在重新定義AI的可能性。但要充分發揮其潛力，我們必須克服可擴展性、容錯性和實時決策等挑戰。而事件驅動設計提供了一條清晰的前進道路。

隨著AI應用變得愈發復雜，事件驅動的多智能體系統將成為解決復雜現實問題的利器。通過采用這種模型并實現智能體間的標準化通信，我們有望建立起一套具有彈性、效率極高且可靈活適應變化的基礎設施，充分發揮架構的效能潛力。

原文標題：?A distributed state of mind: Event-driven multi-agent systems??，作者：Sean Falconer、Andrew Sellers