Title:《Large Language Model Agent: A Survey on Methodology, Applications and Challenges》这篇文档是一份关于大语言模型智能体（LLM Agent）的全面综述，核心是把这个快速发展的领域梳理清楚 —— 从技术原理、协作方式、进化机制，到实际应用、安全风险和未来方向，给读者一个完整的全景视角。

1. 核心定位：LLM 智能体是什么？

和传统 AI 系统只被动响应输入不同，LLM 智能体是 " 有目标、能适应 " 的智能实体：能感知环境、思考目标、执行动作，还能通过学习不断优化自己。
它的崛起主要靠三点：大语言模型本身的强推理能力、工具使用与环境交互的技术进步、能积累经验的复杂记忆架构，三者结合让它从 " 助手 " 变成了能主动协作的 " 伙伴 "。

2. 核心技术框架：构建、协作、进化

文档用 " 构建 - 协作 - 进化 " 三个维度，拆解了 LLM 智能体的核心技术，这也是理解它的关键：

2.1. 构建：怎么造出一个 LLM 智能体？

就像搭积木，核心是四个关键部件，缺一不可：

• 身份设定（Profile）：给智能体定 " 人设 "—— 可以是人工预设的固定角色（比如 " 产品经理 “” 程序员 "），也可以是模型自动生成的动态角色（能模拟人类社会行为）；
• 记忆机制：分短期记忆（记当前对话、临时任务）、长期记忆（存过往经验、技能），还能结合外部知识库（比如用搜索工具补充实时信息），避免 " 转头就忘 "；
• 规划能力：面对复杂任务会 " 拆解 + 迭代 "—— 要么把大任务拆成小步骤一步步做，要么通过试错、反馈调整方案，甚至能像 " 树状思考 " 一样探索多种可能；
• 动作执行：不光能生成文字，还会用工具（比如计算器、API、代码解释器），甚至能和物理世界交互（比如控制机器人）。

2.2. 协作：多个智能体怎么一起干活？

单个智能体能力有限，多个配合才能解决复杂问题，主要有三种协作模式：

• 集中控制：有一个 " 总指挥 "（比如一个核心智能体），分配任务、整合结果，适合需要严格协调的场景（比如工业自动化）；
• 去中心化协作：没有总指挥，智能体之间直接沟通、互相修改答案或辩论，适合模拟社会互动、群体决策；
• 混合架构：结合前两种，既保证可控性又有灵活性，比如分组内自主讨论，跨组统一协调。

2.3. 进化：智能体怎么自我提升？

不会进化的智能体很快会过时，主要有三种进化方式：

• 自主学习：自己反思错误、给自己打分、用强化学习优化，不用依赖人工数据；
• 多智能体共进化：要么合作分享经验，要么竞争（比如互相挑错），在互动中一起变强；
• 借力外部资源：整合外部知识库、工具反馈，不断补充新能力，避免 " 知识老化 "。

3. 实际应用：LLM 智能体能做什么？

已经渗透到多个领域，从科研到日常都有落地：

• 科学发现：帮科学家提假设、设计实验、分析数据，覆盖化学、生物、医学、天文学等；
• 游戏领域：既能当游戏角色（NPC）参与玩法，还能自动生成游戏剧情、甚至开发游戏；
• 社会科学：模拟经济行为、心理互动、社会现象，比如用智能体模拟市场竞争、心理健康支持；
• 生产力工具：辅助软件开发（多个智能体分工当产品经理、程序员、测试）、优化推荐系统（模拟用户行为做精准推荐）。

4. 必须面对的现实问题：安全、隐私与伦理

LLM 智能体越强大，风险也越突出，主要集中在三类：

• 安全风险：可能被恶意攻击（比如通过 Prompt 注入篡改指令、植入后门）、协作时被 " 传染 " 错误信息；
• 隐私问题：可能泄露训练数据里的隐私信息（比如个人电话、邮箱），还可能被窃取模型参数、核心指令等知识产权；
• 伦理挑战：会继承训练数据里的偏见（比如性别、种族歧视）、生成虚假信息，还存在责任认定模糊、版权争议等问题。

5. 未来趋势与挑战

现在的 LLM 智能体还不是完美的，未来要解决这些关键问题：

• scalability：多智能体协作时的效率和资源消耗问题；
• 记忆限制：长对话、长期任务中容易 " 记混 “” 遗忘 "；
• 可靠性：避免 " 胡说八道 "（幻觉），尤其在医疗、法律等高危领域；
• 评估困难：现有测试很难衡量它在动态、多轮互动中的真实能力；
• 监管缺失：需要建立规则保证它安全、公平地被使用。

6. 总结

这篇综述的核心价值，是把零散的 LLM 智能体研究整合起来，给出了一个统一的理解框架。它告诉我们：LLM 智能体已经不是实验室里的概念，而是正在渗透到科研、工业、日常生产的实用技术；但要真正发挥它的潜力，既要攻克技术难关，也要解决安全、伦理这些现实问题。

*------------------------ 华丽的分割线 ----------------------

以下是文章正文部分详细内容介绍：

7. 摘要

在大语言模型革命性进展的推动下，智能体时代已然来临。大语言模型智能体（LLM Agent）具备目标驱动行为与动态适应能力，有望成为实现通用人工智能的关键路径。本综述通过以方法为核心的分类体系，系统拆解大语言模型智能体系统，将其架构基础、协作机制与进化路径紧密关联。我们通过揭示智能体设计原则与其在复杂环境中涌现行为的内在联系，整合了分散的研究脉络。本文不仅从统一的架构视角出发，分析智能体的构建方式、协作模式与进化过程，还探讨了评估方法、工具应用、实际挑战及多元应用领域。通过梳理这一快速发展领域的最新进展，我们为研究者提供了理解大语言模型智能体的结构化分类体系，并指出了未来研究的潜在方向。相关研究成果合集可访问：https://github.com/luo-junyu/Awesome-Agent-Papers。

8. 引言

随着大语言模型智能体（LLM Agent）的兴起，人工智能正进入关键发展阶段。大语言模型智能体是由大语言模型（LLM）驱动的智能实体，能够感知环境、思考目标并执行动作 [1]。与传统人工智能系统仅被动响应用户输入不同，现代大语言模型智能体通过持续学习、推理与适应，主动与环境交互。这一转变不仅是技术层面的进步，更意味着人机关系的根本性重塑。DeepResearch、DeepSearch、Manus 等商业化大语言模型智能体系统便是这一范式转变的典型例证 —— 它们能自主执行从深度研究到计算机操作等曾需人类专业知识才能完成的复杂任务，同时还能适应特定用户需求。

相较于传统智能体系统 [2]，基于大语言模型的智能体在知识来源 [3]、泛化能力 [4]、交互方式 [5] 等多个维度实现了代际跨越。如今的智能体之所以能实现质的飞跃，源于三大关键技术的融合：

①大语言模型前所未有的推理能力 [6]；
②工具操控与环境交互技术的进步 [7]；
③支持长期经验积累的复杂记忆架构 [8,9]。
这种融合将理论构想转化为实用系统，不断模糊 " 助手 " 与 " 合作者 " 的界限。从本质上看，这一转变的核心在于大语言模型扮演了 " 通用任务处理器 " 的角色 —— 通过生成式架构，在语义空间内整合感知、决策与动作，形成类人类的认知循环 [10]。

本文通过统一的分类体系对智能体系统展开创新性分析，将智能体的构建、协作机制与进化路径紧密结合。我们全面梳理了智能体的定义方式、单 / 多智能体运行模式及长期进化过程。除厘清当前研究现状外，本文还识别出预示未来发展方向的新兴模式。鉴于智能体技术的快速发展，亟需及时的综述研究为研究者提供理解这一动态领域的最新分类框架。

8.1. 图 1 大语言模型智能体生态 overview

该生态分为四个相互关联的维度：
①智能体方法体系（涵盖构建、协作、进化的基础层面）；
②评估与工具（呈现基准测试、评估框架及开发工具）；
③现实问题（解决安全、隐私与社会影响相关的关键关切）；
④应用领域（凸显大语言模型智能体的多元应用场景）。本框架为理解现代基于大语言模型的智能体系统全生命周期提供了结构化视角。

图 1 展示了我们理解大语言模型智能体生态的组织框架。其核心是以方法为中心的研究视角，通过三个相互关联的维度剖析智能体系统的技术基础：构建（智能体的定义与构建方式）、协作（智能体的交互与协同模式）、进化（智能体的学习与长期改进机制）。这一三重基础还辅以评估方法、开发工具、安全伦理等现实挑战及多元应用领域等实际考量。该框架决定了本综述的结构，既支持对每个维度的系统探索，又能凸显各维度间的关联。

8.2. 与现有综述的差异

近年来已有多篇综述探讨人工智能智能体的不同方面，但本研究通过聚焦方法层面、全面分析大语言模型智能体架构，做出了独特贡献。现有综述多聚焦特定应用（如游戏 [11,12]）、部署环境 [13,14]、多模态 [15] 或安全性 [16]，另有部分综述仅做宽泛概述，缺乏详细的方法分类体系 [1,17]。近期研究还对比了基于大语言模型的智能体与传统人工智能智能体 [9]、探讨了多智能体交互 [18]、工作流程 [19] 及协同决策机制 [20]。
与这些研究相比，本综述的特色体现在：
1）以方法为核心的分类体系：提出系统性分类框架，将大语言模型智能体系统拆解为角色定义、记忆机制、规划能力、动作执行等核心方法组件 [21]；
2）" 构建 - 协作 - 进化 " 框架：从构建、协作、进化三个相互关联的维度分析大语言模型智能体，相比现有研究 [22,23] 提供了更具整体性的理解。这种整合式架构视角凸显了单个大语言模型智能体设计与协同系统之间的关联性，而以往研究常将这些方面分开探讨 [22,24]；
3）前沿应用与现实聚焦：除理论概念外，本文还探讨了大语言模型智能体领域的前沿工具、通信协议及多元应用，对安全、隐私、伦理等紧迫现实挑战展开全面分析。这种前瞻性视角在智能体技术从研究走向广泛应用的阶段具有重要价值。

本综述为研究者与从业者提供了更结构化的分类体系，助力从不同视角理解、比较和推进大语言模型智能体研究。随着大语言模型智能体系统日益融入各类关键领域，理解其架构基础不仅对研究者至关重要，对政策学者、行业从业者及整个社会而言也具有重要意义。本综述旨在奠定这一基础，同时为这一快速发展领域指明未来方向。

9. 智能体方法体系

本节通过构建、协作、进化三个相互关联的维度，提出理解基于大语言模型的智能体系统的综合框架。如图 2 所示，我们首先分析智能体构建（2.1 节）—— 明确智能体的核心组件，包括角色定义、记忆机制、规划能力与动作执行；随后探讨协作模式（2.2 节）—— 阐述多智能体通过集中控制、分布式协作或混合架构实现协同工作的方式；最后研究进化机制（2.3 节）—— 分析智能体如何通过自主优化、多智能体协同进化及整合外部资源实现长期改进。这一三维框架为分析大语言模型智能体系统的全生命周期提供了系统性方法。

9.1. 图 2 大语言模型智能体方法分类体系

9.2. 智能体构建

智能体构建是开发基于大语言模型的自主系统的基础阶段，涉及实现目标驱动行为的核心组件的系统性设计。这一过程以四个相互依赖的核心要素为重点：角色定义（2.1.1 节）、记忆机制（2.1.2 节）、规划能力（2.1.3 节）与动作执行（2.1.4 节）。这些组件共同形成递归优化循环：记忆为规划提供依据，执行结果更新记忆，上下文反馈优化智能体角色设定。构建模式强调模块间的互操作性，同时保持系统整体一致性，为后续协作与进化适应机制（将在后续章节探讨）奠定基础。

9.3. 角色定义

角色定义通过配置智能体的固有属性与行为模式，确立其运行身份 [25,26]。目前主要有两种实现方式：人工定制静态角色 —— 通过人工指定确保特定领域的一致性；批量生成动态角色 —— 通过自适应调整运行参数，随机生成一批智能体初始状态。这些机制共同决定了智能体的决策边界与交互协议，同时确保其与预设目标保持一致。

人工定制静态角色：该方式由领域专家通过人工指定确立固定的智能体角色，嵌入明确规则与领域知识，确保严格遵循预设行为准则与任务要求，实现智能体间标准化的通信协议。这种方式在需高可解释性与合规性的场景中尤为有效。此类框架通常通过预设智能体组件间的协同交互，以结构化通信模式实现复杂功能。代表性实践体现为两种核心范式：Camel [25]、AutoGen [26]、OpenAgents [40] 等系统通过预设对话角色（如用户代理、助手）协调人机协作，借助结构化对话完成任务；MetaGPT [27]、ChatDev [28]、AFlow [29] 等框架则展现了基于角色的协同模式 ——ChatDev 通过固定技术角色（如产品经理、程序员）与确定性交互协议专注于代码开发，MetaGPT 与 AFlow 则通过结构化角色协同，将这一范式扩展到通用任务求解。

批量生成动态角色：该范式通过参数化初始化，系统性生成多样化的智能体角色，模拟人类社会行为。在智能体创建过程中（如通过基于模板的提示词或 latent 空间采样），对个性特征、知识背景或价值体系注入可控差异，从而生成能够展现复杂社会动态的异质智能体群体。这种由参数驱动的多样性，对从社会行为研究到群体智能涌现模拟等应用场景中的类人类智能体交互至关重要。在人类行为模拟 [30]、模拟用户数据采集 [31] 等系统中，不同的角色配置直接影响群体交互模式；此外，DSPy [32] 还可进一步优化智能体角色初始化参数。

10. 记忆机制

记忆机制使智能体具备跨时间维度存储、组织和检索信息的能力。短期记忆存储临时上下文数据以支持即时任务执行，长期记忆则保存结构化的经验知识以供长期参考。通过融合知识检索机制，借助检索增强生成（Retrieval-Augmented Generation, RAG）技术 [43]，可进一步优化信息的可获取性。

10.1. 短期记忆

短期记忆会留存智能体内部的对话历史与环境反馈，以支持依赖上下文的任务执行。该机制已被广泛应用于各类框架：例如，ReAct [33] 利用短期记忆实现带反思的推理，ChatDev [28] 将其用于软件开发，Graph of Thoughts [34] 借助其解决复杂问题，AFlow [29] 则通过短期记忆实现工作流自动化 —— 这些应用均体现了短期记忆在不同领域的通用性。

尽管短期记忆能通过交互式交互实现细致推理，但其 " 临时性 " 特征限制了知识的长期留存 —— 任务完成后，中间推理过程往往会消失，无法直接迁移到新场景中。此外，受大语言模型上下文窗口的限制，实际应用中需对信息进行主动压缩（如摘要提取、选择性保留），并对多轮交互深度施加诸多限制，以避免性能下降。

10.2. 长期记忆

长期记忆会系统性地归档智能体的中间推理轨迹，并将其整合为可复用的工具，供后续调用。通过三种主流范式，这一过程能将短暂的认知过程转化为持久的操作资产：

• 技能库：对过程性知识进行编码（例如，Voyager 在《我的世界》中实现的自动技能发现 [35]、GITM 的文本知识库 [36]）；
• 经验库：存储成功 / 失败模式（例如，ExpeL 的精炼经验池 [37]、Reflexion 通过试错优化的记忆 [38]）；
• 工具整合框架：通过组合适配实现能力进化（例如，TPTU 的自适应工具组合 [39]、OpenAgents 的自扩展工具集 [40]）。
  跨领域应用（如 Lego-Prover 的定理库 [41]、MemGPT 的分层记忆架构 [42]）进一步证明，结构化的长期存储能通过策略性知识复用，提升推理效率。

10.3. 作为记忆的知识检索

该范式与智能体内部记忆生成不同，它通过将外部知识库整合到生成过程中，有效扩展了智能体的可访问信息范围。目前主要有三种实现方式：

• 静态知识锚定：通过文本语料库（RAG [43]）或结构化知识图谱（GraphRAG [44]）实现；
• 交互式检索：将智能体对话与外部查询相结合，例如在 Chain of Agents [45] 中，智能体间的短期通信会触发上下文相关的知识获取；
• 融合推理的检索：以 IRCoT [46]、Llatrieval [47] 为代表，将逐步推理与动态知识获取交织进行。
  此外，KG-RAR [48] 等进阶变体能在推理过程中构建任务专属子图，DeepRAG [49] 则引入微调后的检索决策模块，以平衡参数化知识与外部证据的关系。这些混合架构使智能体能够突破训练数据的限制，同时保持上下文相关性，为可扩展记忆系统奠定了关键基础。

11. 规划能力

规划能力是大语言模型智能体的核心能力之一，使其能够高精度地应对复杂任务与问题求解场景 [103]。在实际应用中部署大语言模型智能体时，有效的规划至关重要 —— 智能体需处理各类复杂任务与场景。从 " 任务分解 " 与 " 反馈驱动迭代 " 两个维度，可全面理解大语言模型智能体的规划能力。

11.1. 任务分解策略

任务分解是提升大语言模型规划能力的基础方法：将复杂问题拆解为更易处理的子任务。尽管大语言模型智能体直接求解完整问题可能存在困难，但处理子任务并整合结果以解决整体问题的难度会显著降低。任务分解策略主要分为 " 单路径链式分解 " 与 " 多路径树状扩展 " 两类。

11.2. 单路径链式分解

这是一种简单方法，最简单的形式为 " 零样本思维链 "（zero-shot chain-of-thought）[104, 105]。该方法首先让智能体制定计划（包含一系列相互依赖的子任务），随后要求智能体按顺序求解这些子任务 [50, 105]。这种 " 规划 - 求解 " 范式 [51] 直观且易于实现，但存在灵活性不足与链式误差累积的问题 —— 在求解过程中，智能体需严格遵循预设计划，无法灵活调整。

为此，有研究提出 " 动态规划 " 方法：仅根据智能体现有状态生成下一个子任务 [33, 105]。该方法使智能体能够接收环境反馈并相应调整计划，提升了鲁棒性与适应性。此外，另有研究提出利用 " 多思维链 " 提升规划过程的鲁棒性：类似集成学习思路，通过自一致性 [62, 106]、多数投票 [107]、智能体讨论 [52] 等方式融合多条思维链。借助多链协同，智能体可做出更精准的决策，降低误差累积风险。

11.3. 多路径树状扩展

相比链式结构，更复杂的方法是以 " 树 " 作为规划数据结构：智能体规划时存在多条可能的推理路径，且可结合反馈信息回溯 [53, 54]。Long 等人 [55] 提出 " 思维树 "（Tree-of-Thought, ToT）方法，通过树状思维过程探索解空间。这种方式允许大语言模型回溯到之前的状态，从而修正过往错误，适用于涉及 " 试错 - 修正 " 过程的各类复杂任务。

在更贴近现实的场景中，智能体可收集来自环境或人类的反馈，动态调整推理路径，还可能融入强化学习 [56, 108]。借助蒙特卡洛树搜索 [109] 等先进算法，该方法使智能体能在实际应用中做出更合理的决策，适用于机器人技术 [57-59]、游戏博弈 [110, 111] 等场景。

11.4. 反馈驱动迭代

反馈驱动迭代是大语言模型规划能力的关键环节，使智能体能够从反馈中学习，逐步提升性能。反馈来源多样，包括环境输入、人类指导、模型自省与多智能体协作。

• 环境反馈：是机器人领域最常见的反馈类型 [60]，由实体智能体所处的环境生成；
• 人类反馈：另一类关键反馈，来自用户交互或预先准备的人工标注数据 [61, 112]；
• 模型自省：由智能体自身生成的额外反馈来源 [62]；
• 多智能体协作：也可作为反馈机制 —— 多个智能体协同求解问题并交换见解 [63, 112]。
  这些反馈来源可帮助评估智能体性能，进而指导其规划过程。例如，智能体可利用反馈更新（重新生成）计划、调整推理路径，甚至修改目标。这一迭代过程会持续进行，直至生成满意的计划 [64, 65]。

11.5. 表 1：智能体协作方法总结

12. 动作执行

具备规划能力后，大语言模型还需能够在现实世界中执行规划好的动作。动作执行是大语言模型智能体的关键能力 —— 若智能体无法有效执行计划，再完善的规划也毫无意义。动作执行主要涉及 " 工具使用 "[113] 与 " 物理交互 "[114] 两个方面。

12.1. 工具使用

工具使用是大语言模型动作执行的重要环节，使其具备多种能力：例如精准数值计算、获取实时信息、高效代码生成等。工具使用能力主要包括 " 工具使用决策 " 与 " 工具选择 " 两个维度：

• 工具使用决策：判断是否需要使用工具解决问题的过程。当智能体生成内容的置信度较低，或面临与特定工具功能相关的问题时，应决定使用特定工具 [66, 67]；
• 工具选择：工具使用的另一关键环节，需结合对工具的理解与智能体现有状态 [68, 69]。例如，Yuan 等人 [68] 提出简化工具文档，以帮助智能体更好地理解可用工具，从而更精准地选择工具。

12.2. 物理交互

物理交互是实体大语言模型智能体的基础能力 —— 其在现实世界中执行特定动作、解读环境反馈的能力至关重要。在实际场景中部署时，大语言模型智能体需理解多种因素以精准执行动作，这些因素包括机器人硬件 [114]、社交知识 [70]，以及与其他大语言模型智能体的交互 [71, 72]。

13. 智能体协作

大语言模型智能体间的协作对于突破个体推理局限、扩展问题求解能力至关重要。有效的协作能使智能体充分利用分布式智能、协调动作，并通过多智能体交互优化决策 [26, 121]。现有协作范式可分为 " 集中控制 “” 分布式协作 " 与 " 混合架构 " 三类基础架构，它们在决策层级、通信拓扑与任务分配机制上存在差异，适用于不同的应用场景，各有优势。

13.1. 集中控制

集中控制架构采用分层协调机制：由中央控制器通过任务分配与决策整合组织智能体活动，其他子智能体仅能与中央控制器通信。该范式主要有两种实现策略：

• 显式控制器系统：利用专用协调模块（通常实现为独立的大语言模型智能体）分解任务、分配子目标；
• 差异化系统：通过提示词引导元智能体承担不同子角色，实现集中控制。
  集中控制方法在需要严格协调的关键任务场景（如工业自动化 [122]、科学研究 [73]）中表现突出。

13.2. 显式控制器系统

已有多项研究明确实现了集中式架构。例如，Coscientist [73] 是显式控制器范式的典型代表 —— 由人类操作员担任中央控制器，制定标准化科学实验流程，为不同实验阶段分配专用智能体与工具，并直接控制最终执行计划。LLM-Blender [74] 则明确构建控制器：通过交叉注意力编码器进行两两比较以筛选最优响应，随后融合排名靠前的响应，在强化优势的同时弥补不足。MetaGPT [27] 模拟现实世界软件开发流程，直接指派专业管理者负责管控不同功能角色与开发阶段。

13.3. 差异化系统

AutoAct [75] 是差异化范式的典型案例：通过隐式将元智能体分解为三个子智能体（规划智能体、工具智能体、反思智能体），拆解复杂的 ScienceQA 任务。Meta-Prompting [76] 通过精心设计的元提示词，将复杂任务分解为特定领域的子任务 —— 单个模型作为协调者，在任务导向提示词的引导下，将子任务动态分配给专用子智能体，随后由中央管理者整合所有中间输出，生成最终解决方案。

这类研究大多采用能力较强的智能体作为中央控制器，以优化任务分配与决策整合。但 WJudge [77] 的研究表明，即便判别能力有限的控制器，也能显著提升智能体系统的整体性能。

13.4. 分布式协作

在集中式架构中，单个控制节点需处理所有智能体间通信、任务调度与冲突解决，易成为瓶颈；而分布式协作通过自组织协议实现节点间直接交互，可避免这一问题。该范式可进一步分为 " 基于修正的系统 " 与 " 基于通信的系统 " 两类。

13.5. 基于修正的系统

在这类范式中，智能体仅能观察同伴生成的最终决策，并通过结构化编辑协议迭代优化共享输出。这种方法通常能产生更标准化、确定性更强的结果。例如，MedAgents [78] 采用预设的特定领域专家智能体，依次独立提出并修改决策，最终通过投票达成共识；ReConcile [79] 协调智能体，通过相互响应分析、置信度评估与人工筛选样例，迭代优化答案；METAL [115] 为图表生成任务引入专用的文本与视觉修正智能体，证明特定领域的修正能提升输出质量。值得注意的是，修正信号不仅可来自智能体交互，还可来自外部知识库 [116, 123]，从而实现混合修正策略。

13.6. 基于通信的系统

与基于修正的方法相比，基于通信的方法具有更灵活的组织结构，允许智能体直接对话并观察同伴的推理过程，因此特别适用于模拟人类社交交互等动态场景 [30]。关键实现案例包括：

• MAD [80]：采用结构化通信协议，解决智能体过度执着于初始解决方案的 " 思维退化 " 问题；
• MADR [81]：在 MAD 基础上增强 —— 允许智能体质疑不合理主张、优化论点，并生成可验证的事实核查解释；
• MDebate [82]：通过策略性交替 " 坚持有效观点 " 与 " 协作优化 "，优化共识达成过程；
• AutoGen [26]：实现群聊框架，支持多智能体参与迭代辩论，以优化决策。

13.7. 混合架构

混合架构战略性地结合 " 集中协调 " 与 " 分布式协作 “，在可控性与灵活性间取得平衡，优化资源利用，并适应异构任务需求。该方法主要有两种实现模式：” 含预设协调规则的静态系统 " 与 " 含自优化拓扑的动态系统 "。

13.8. 静态系统

静态系统预先定义融合不同协作模式的固定规则。典型实现包括：

• CAMEL [25]：将智能体划分为组内分布式团队以进行角色扮演模拟，同时通过集中管理维持组间协调；
• AFlow [29]：采用三层层级结构，包括集中式战略规划、分布式战术协商与市场驱动的运营资源分配；
• EoT [117]：形式化定义四种协作模式（BUS、STAR、TREE、RING），使网络拓扑与特定任务特征相匹配。

13.9. 动态系统

近期研究创新引入 " 神经拓扑优化器 "，可根据实时性能反馈动态重构协作结构，实现对变化条件的自动适应。关键实现案例包括：

• DiscoGraph [118]：通过师生框架实现可训练的姿态感知协作 —— 具备全局视角输入的教师模型通过特征图蒸馏引导学生模型，同时基于矩阵的边权重支持智能体间的自适应空间注意力；
• DyLAN [119]：先利用 " 智能体重要性评分 " 识别贡献最大的智能体，再动态调整协作结构以优化任务完成效果；
• MDAgents [120]：根据任务本身动态分配协作结构 —— 先通过复杂度检测将任务分为低、中、高三个复杂度等级，简单任务由单个智能体处理，较复杂任务则通过层级协作解决。