Foundation  Agent不再將智能體視為 LLM  的簡單應用，而是將其看作一個由認知、記憶、學習、感知、行動等多個核心組件構成的復雜、有機的系統。其核心意義在于提供了系統性框架，強調了自主性，關注協作與生態，并突出了安全與對齊。然而，實現這一愿景也面臨著技術復雜度高、需要龐大計算資源、評估困難、自進化可控性問題以及安全與對齊的根本性難題等巨大挑戰。

• 論文鏈接： https://arxiv.org/abs/2504.01990

擁有完善的認知架構只是第一步。Foundation Agent 的核心特征之一在于其自進化 (Self-Evolution)能力，即智能體能夠通過與環境的交互和自我反思，不斷學習、適應和提升自身能力，而無需持續的人工干預。這部分探討了實現自進化的關鍵機制：

1. 優化空間 (Optimization Space)

自進化的前提是定義清楚哪些方面可以被優化。論文指出，智能體的幾乎所有組件都可以成為優化的對象：認知策略、記憶內容、世界模型的準確性、感知能力、行動技能等等。其中，提示詞，工作流，智能體組件是可以被直接優化的三個層次。定義清晰的優化目標和評估指標是指導自進化過程的基礎。

2.LLM 作為優化器 (LLM as Optimizer)

論文提出，強大的大型語言模型不僅可以作為智能體的認知核心的一部分，還可以扮演優化器的角色。LLM  可以通過生成代碼、修改參數、提出新的策略或結構，來優化智能體自身的其他組件。例如，LLM  可以分析智能體過去的失敗經驗，提出改進記憶檢索算法的建議；或者根據新的數據，生成更新世界模型的代碼。這為智能體的自我改進提供了一種強大的、基于語言理解和生成能力的全新途徑。

優化方法分類

3. 在線與離線自改進 (Online and Offline Self-Improvement)

自進化可以在不同的時間和尺度上發生：智能體既能在與環境實時交互過程中進行在線改進，通過強化學習優化行為策略或根據感知更新世界模型；也能在  "休息" 或專門訓練階段實現離線改進，利用收集的數據進行深層分析和模型更新，可能涉及調整整個認知架構、重構記憶庫，或利用 LLM  作為優化器進行大規模模型迭代。

4. 自進化與科學發現 (Self-Evolution in Scientific Discovery)

論文特別提到了自進化在科學發現等復雜問題解決場景中的巨大潛力。一個具備自進化能力的  Foundation Agent 可以自主地提出假設、設計實驗、分析數據、學習新知識，并不斷優化其研究策略，從而加速科學探索的進程。這為 AI  在基礎科學領域的應用打開了新的想象空間。

自進化是 Foundation Agent 區別于當前大多數智能體的關鍵特征。它強調了智能體自主學習和適應的核心能力，并提出了利用 LLM 作為優化器等創新思路。實現高效、穩定且目標可控的自進化機制，是通往真正自主智能的關鍵挑戰。

多個  Foundation Agent 組成的多智能體系統 (Multi-Agent System, MAS)通過知識共享與任務分工，可快速整合多模態數據（如文本、圖像），解決單一Agent難以處理的復雜場景（如災難救援規劃）。

每個 Foundation Agent 在系統中扮演著獨特的角色，有的擅長數據收集與分析，有的負責決策制定，還有的則專注于執行具體操作。它們相互補充，形成一個靈活且具有高度適應性的整體，能夠應對多變的環境和復雜的問題，展現出強大的智能和高效的運作能力，就像一個緊密配合的團隊，共同為系統的優化和任務的完成而努力。

那么MAS  的基礎組成、結構、協作范式和決策機制是怎么樣的？在多智能體系統的自主協作 / 競爭中，群體智能形成的現象 (Collective  Intelligence)又是如何呈現？

1. 多智能體系統設計 (Multi-Agent System Design)

在大模型多智能體系統（LLM-MAS）中，協作目標與協作規范是塑造系統設計約束、內部智能體交互模式和整體協作機制的基礎。協作目標定義了智能體追求的明確目標（個體性、集體性或競爭性），協作規范則確立了系統內智能體交互的規則、約束和慣例。基于協作目標和規范，多智能體系統可分為策略學習、建模與仿真、以及協同任務求解三類。論文通過分析和梳理三類  MAS 的典型應用，探討了大語言模型（LLM）如何賦能、影響并改進同質和異質智能體的行為、交互及決策，并給出了 LLM-MAS  的下一代智能體協議。

2. 拓撲結構與規模化（Comunication Topology and Scalability）

從系統角度出發，拓撲結構往往決定著協作的效率與上限。論文作者將  MAS  的拓撲分為了靜態和動態兩大類：前者是預定義好的靜態拓撲（層級化、中心化、去中心化）結構，常用于特定任務的解決實現；后者是根據環境反饋持續更新的動態拓撲結構，其可通過搜索式、生成式、參數式等新興算法實現。而隨著智能體數量的增加，科學的規模化方式也將是未來多智能體系統的重要議題。

3. 協作范式與機理 (Collaboration Paradigms)

借鑒人類社會中的多樣化交互行為，如共識達成、技能學習和任務分工，論文從交互目的、形式和關系三個維度探討多智能體協作。多智能體協作被歸納為共識導向、協作學習、迭代教學與強化，以及任務導向交互。

在不同交互目標和形式下，智能體之間形成討論、辯論、投票、協商等單向或多向交互。隨著交互的持續，這些過程迭代出決策和交互網絡，不同智能體在協作中增強和更新個體記憶與共享知識。

4. 群體智能與涌現 (Collective Intelligence and Emergence)

在  MAS  中，群體智能的產生是一個動態且迭代的過程。通過持續交互，智能體逐步形成共享理解和集體記憶。個體智能體的異質性、環境反饋和信息交換增強了交互的動態性，這對復雜社會網絡的形成和決策策略的改進至關重要。通過多輪交互和對共享上下文的反思，智能體不斷提升推理和決策能力，產生如信任、戰略欺騙、自適應偽裝等涌現行為。按照進化形成機制，可分為基于記憶的學習和基于參數的學習。與此同時，隨著  MAS  的演化，智能體之間逐漸將形成和演進社會契約、組織層級和勞動分工，從基礎的合作行為轉向復雜社會結構。觀測、理解和研究群體智能的涌現現象是后續  MAS 研究的重要方向。

5. 多智能體系統評估 (Evaluation of Multi-Agent Systems)

隨著多智能體的優勢成為共識，其評估范式亦需有根本性的變革  ——MAS 評估應聚焦于 Agent 交互的整體性，包括協同規劃的效率、信息傳遞的質量與群體決策的性能等關鍵維度。由此衍生，作者總結了 MAS  常見的任務求解型  benchmark，以及最新的通用能力評估方式：前者的重點在于，衡量多智能體在各種環境中的決策協同的推理深度與正確性；后者評估智能體群在復雜、動態場景下的交互與適應能力。

智能體的協作與競爭

Foundation Agent  的概念提醒我們，通往通用人工智能的道路需要在智能體的認知架構、學習機制、協作模式上取得根本性突破，這需要跨學科領域的共同努力。這篇論文描繪了一個由能夠自主學習、協作進化、并與人類和諧共存的 Foundation Agent  構成的智能新紀元。

由多個 Foundation Agent 組成的多智能體系統在實際應用中具備多方面顯著優勢，使其在眾多領域具有強大的競爭力和廣闊的應用前景：

并行處理與高效協作

• 任務并行執行：不同智能體可同時處理不同方面的任務，如在物流系統中，多個 Agent 分別負責倉庫管理、運輸路線規劃、訂單處理等，提高整體效率，縮短任務完成時間。
• 資源共享與互補：智能體間共享知識、數據，發揮各自優勢，如金融分析系統中，有的 Agent 擅長市場數據收集，有的專注于風險評估，協作完成全面分析。

分布式特性與靈活性

• 系統可擴展性強：便于增加新智能體以擴展功能或增強性能，如智能電網系統可加入新 Agent 監測新區域或設備，提升監測范圍和調控能力。
• 適應動態環境變化：能快速調整智能體策略或功能，適應環境變化，如智能交通系統中，Agent 根據交通流量變化實時調整信號燈時長，優化交通流。

魯棒性與可靠性

• 容錯能力強：部分智能體失效時，系統整體功能受影響較小，其他智能體可繼續運行或補償失效部分，如工業自動化系統中，個別智能體故障時，剩余智能體可維持生產并協助診斷修復。
• 可靠性高：多智能體監督機制可及時發現并處理異常情況，如網絡安全系統中，智能體實時監控網絡，發現入侵立即響應并通知管理員。

可擴展性與可維護性

• 可擴展性強：便于增加智能體擴展功能或提升性能，如智能電網可加入新監測 Agent 擴展功能。
• 可維護性好：智能體獨立性便于單獨維護、更新，如工業自動化系統可單獨升級維護某智能體控制算法，降低維護成本。

協同能力與決策優化

• 協同解決復雜問題：智能體協作可解決單一智能體難以完成的復雜任務，如機器人足球隊通過智能體協作實現有效進攻防守。
• 優化決策質量：智能體基于多源信息分析評估，提供多方案，通過協商或投票等機制做出更全面、準確的決策，如在醫療診斷系統中，多個醫學專家 Agent 可共同診斷病情，提高準確性。

本文轉載自公眾號數字化助推器  作者：天涯咫尺TGH

原文鏈接：??https://mp.weixin.qq.com/s/ggDZv9x8NITgjQgexGzyDg??