智能体团队规模并非越大越好 最新研究揭示三大关键评估维度

由大语言模型驱动的多智能体系统，正从实验室原型快速演进为支撑复杂任务的关键基础设施。在软件工程、科学探索、流程自动化及团队协作等多个领域，由智能体团队协同完成任务已成为现实。当前，一个显著的趋势是：智能体生态的供给与真实系统的部署规模，正在同步经历爆发式增长。

智能体市场的品类与数量日益丰富，而实际运行系统中协同工作的智能体规模，也已从数个、十几个，扩展至数十乃至上百个。这标志着大规模智能体系统正从封闭的概念验证阶段，迈向开放、持续且高度复杂的真实应用环境。

图1 2025年智能体市场与智能体系统增长趋势。市场中的智能体数量采用对数坐标显示，市场类别数和每个系统中的智能体数采用单独坐标轴显示，阴影区域表示估计范围。数据来源：Internet Archive（Wayback Machine）存档网页快照，包括OpenAI GPTs、AWS Marketplace和Agent.ai。

图1清晰地揭示了这一双重增长轨迹。当智能体的数量、多样性及交互复杂性同步提升时，研究者的核心关切也必须随之升级：我们不能再仅仅关注单个智能体的性能，而必须回答一个更系统性的问题——当系统规模扩大后，其宏观行为与整体效能究竟由哪些根本因素决定？

一张三维地图：厘清大规模智能体网络的结构

为了系统性地回答这一问题，来自埃默里大学、牛津大学和格里菲斯大学的研究团队提出了一套三维分类框架，旨在为纷繁复杂的大规模智能体网络绘制一张清晰的结构化地图。

这三个核心维度分别是：

架构拓扑：系统是采用中心化控制，还是去中心化的对等网络？

记忆范围：信息与状态是存储在全局共享的记忆中，还是分散在各智能体的局部记忆内？

更新行为：系统的结构与规则是静态不变的，还是能够动态演化与自适应调整？

这三个维度相互组合，共同定义了八种典型的大规模智能体网络范式。

为了使框架更具实践指导意义，作者将多个知名智能体系统依据这三个维度进行了归类，并组织成一张层级结构图。这张图揭示了一个关键洞见：尽管同属多智能体范式，不同系统在“中心化程度”、“记忆共享方式”以及“动态性”这些根本设计选择上存在显著差异。而这些结构性差异，直接决定了系统在协调效率、可扩展性、鲁棒性以及长期演化模式上的不同表现。

图2 大规模智能体网络的三维分类框架：基于拓扑（topology）、记忆范围（memory scope）与更新行为（update beha vior）的层级组织

可以说，图2是理解大规模智能体系统设计的关键。它传递的核心观点是：决定系统整体表现的，往往不是智能体数量的简单叠加，而是上述三种基础机制如何设计与协同。

举例而言：中心化架构调度统一、易于保持全局一致性，适合流程明确的任务，但在大规模下易遭遇性能瓶颈；去中心化架构灵活、擅长涌现群体智能，但也可能面临局部失调与信息不一致的挑战。全局记忆有利于共享上下文和状态对齐，而局部记忆更贴近真实分布式环境，但可能引发认知分歧。静态系统易于分析、调试和复现，而动态系统则更能适应复杂环境的长期任务与自适应协作需求。

超越通信协议：更深层的挑战在于世界模型对齐

在梳理了这些结构性维度后，文章进一步提出了一个深刻的判断：通信协议的设计固然关键，但它并非大规模智能体网络最深层的瓶颈。一个更根本且更具挑战性的问题是：智能体之间“世界模型”的不一致。

这意味着，即使消息传输过程完美无误，不同的智能体也可能因其内部知识库、价值偏好和历史经验的不同，对同一指令、同一环境状态或同一共享信息产生迥异的解读与推理。简而言之，信息传输的正确性，绝不等于认知理解的一致性。

这种底层认知的不一致会在系统内被逐级放大：在认知层面，表现为信念漂移；在行为层面，导致协作不稳定；在任务层面，引发目标偏移；最终在系统层面，可能形成非平稳的动态演化，使得整个网络难以收敛到期望的稳定状态或最优解。

未来之路：从规模扩张迈向系统成熟

基于上述分析，文章为未来的研究方向指明了重点。该领域需要发展更精确的一致性模型、更强大的共享状态控制机制、更成熟的路由与通信调度策略，以及面向开放环境设计的身份管理、安全与鲁棒性保障体系。

值得注意的是，文章尖锐地指出，现有的评估体系已严重滞后于系统的发展。大多数测试基准仍局限于小规模、封闭的场景。而未来的真实大规模系统，可能需要协调成千上万乃至百万量级的智能体。如何科学评估此类超大规模系统的性能、可靠性、效率及其潜在的社会影响，本身就是一个亟待解决的重大挑战。

总体而言，这篇综述的价值不仅在于系统性地梳理了现有工作，更在于为大规模智能体网络的研究与工程实践提供了一张宝贵的“结构地图”。它提醒我们：未来系统要实现真正的可扩展与高效能，关键在于能否系统地解决拓扑设计、记忆机制、更新策略以及最底层的世界模型对齐这一系列环环相扣的核心问题，而非简单地堆砌智能体数量。