详细内容或原文请订阅后点击阅览
为什么多代理系统需要内存工程
大多数多智能体人工智能系统在悄然失效之前都会付出高昂的代价。对于任何调试过该模式的人来说，这种模式都很熟悉：代理 A 完成一项子任务并继续前进。代理 B 由于无法了解 A 的工作，因此使用略有不同的参数重新执行相同的操作。代理 C 收到双方的不一致结果并协商达成一致。 [...]
来源:O'Reilly Media _AI & ML大多数多智能体人工智能系统在悄然失效之前都会付出高昂的代价。
对于任何调试过该模式的人来说，该模式都很熟悉：代理 A 完成子任务并继续前进。代理 B 由于无法了解 A 的工作，因此使用略有不同的参数重新执行相同的操作。代理 C 收到双方的不一致结果并协商达成一致。系统产生输出，但输出的成本是其应有的三倍，并且包含通过每个下游任务传播的错误。
构建这些系统的团队倾向于关注代理通信：更好的提示、更清晰的授权、更复杂的消息传递。但沟通并不是问题所在。代理之间可以很好地交换消息。他们不能做的是对已经发生的事情、当前的事实以及已经做出的决定保持共同的理解。
在生产中，内存（而不是消息传递）决定了多代理系统的行为是否像一个协调的团队，或者是独立进程的昂贵冲突。
多代理系统因无法共享状态而失败
证据：36% 的失败是由于未对准
Cemri 等人发表了迄今为止最系统的多智能体故障分析。他们的 MAST 分类法由 AutoGen、CrewAI 和 LangGraph 等框架中的 1,600 多个带注释的执行跟踪构建而成，可识别 14 种不同的故障模式。故障分为三类：系统设计问题、代理间错位和任务验证故障。
重要数字：代理间错位占所有故障的 36.9%。特工不会因为无法推理而失败。它们失败是因为它们对共享状态的不一致视图进行操作。一个代理完成的工作不会在另一代理的上下文中注册。在步骤 3 中有效的假设在步骤 7 中变得无效，但没有机制传播更新。团队出现分歧。