人工智能领域正经历一场由大语言模型(LLM)引发的范式转变。传统多智能体系统(Multi-Agent Systems, MAS)虽已有数十年发展历史，但其在复杂任务处理、自主决策和协作能力方面始终受限于智能体本身的认知局限[1]。随着GPT、LLaMA等大语言模型的出现，智能体的推理能力、规划能力和语言理解能力得到了质的飞跃，为多智能体系统注入了新的活力。这种演变不仅体现在技术架构上，更反映在系统功能与应用场景的扩展上[2]。
当前研究表明，基于强化学习构建的传统智能体系统在适应性和处理复杂性方面存在明显局限[7]。这些系统往往依赖于预定义的规则和有限的状态空间，难以应对开放环境中的不确定性。相比之下，LLM凭借其在推理和规划方面的优势，正成为构建更先进智能体系统的理想选择。Yang等人的研究指出，LLM驱动的智能体能够理解自然语言指令、推理复杂情境并生成连贯的行动计划，这些能力使其在处理非结构化问题时表现出色[7]。
大语言模型在多智能体系统中的应用不仅是工具的替换，更是思维方式的革新。传统智能体依赖于符号推理或统计学习，而LLM基于的智能体则融合了语言理解、常识推理和上下文学习等能力[3]。这种融合使得智能体能够处理更加模糊和开放的问题，同时保持较高的适应性。
值得注意的是，LLM赋能的多智能体系统展现出前所未有的集体智能。Guo的研究表明，当多个LLM智能体协同工作时，它们能够通过分工合作解决单个智能体难以应对的复杂问题[2]。这种协作不仅体现在任务分解和专业化上，还表现在智能体间的知识共享和互补上。例如，一个专注于数据分析的智能体可以与另一个擅长自然语言生成的智能体合作，共同完成从数据到洞察再到报告的完整工作流程。
LLM在多智能体系统中的革命性作用还体现在其降低了系统构建的门槛。通过提示工程(Prompt Engineering)，开发者可以快速定义智能体的角色、目标和行为模式，而无需复杂的编程[10]。这种"软编程"方式大大加速了多智能体系统的迭代和创新，使得更多领域的专家能够参与到系统设计中来。
探索基于LLM的多智能体系统发展趋势具有重要的理论和实践意义。从理论层面看，这一研究有助于深化对人工智能集体行为的理解，为构建更加智能、自主和协作的系统提供理论基础。从实践层面看，随着人工智能技术向各行各业渗透，多智能体系统正成为解决复杂问题的关键工具，其应用前景广阔[4]。
本研究采用系统性的框架，从理论基础、技术架构、协作模式到应用场景和未来挑战，全面梳理基于LLM的多智能体系统的发展脉络。研究首先探讨多智能体系统的基本理论和LLM赋能的关键技术，然后分析智能体间的协作模式和创新机制，接着考察前沿应用场景和发展趋势，最后讨论关键挑战和未来展望。这一框架不仅有助于把握该领域的研究现状，还能为未来研究提供方向指引。
多智能体系统的核心是智能体，它被定义为能够感知环境、做出决策并采取行动以实现特定目标的计算实体[5]。在LLM时代，智能体的定义得到了扩展，不仅包括传统的基于规则或学习的智能体，还包括以LLM为核心的语言智能体。这些智能体具有四个关键特征：自主性、社会性、反应性和主动性[6]。
自主性体现在智能体能够在没有直接人类干预的情况下做出决策；社会性表现为智能体能够与其他智能体或人类进行交互和协作；反应性指智能体能够感知环境变化并做出响应；主动性则是智能体能够主动采取行动以实现目标[6]。LLM的引入显著增强了智能体的这些特征，特别是在自主性和社会性方面。例如，基于GPT-4的智能体能够理解复杂指令、生成连贯文本，并与其他智能体进行有意义的对话[2]。
智能体间的交互是多智能体系统的核心特征。传统上，这种交互主要通过预定义的协议或共享知识库实现。而在LLM时代，智能体交互呈现出更加灵活和自然的特点。Yang等人提出的统一框架将智能体交互分为三种模式：直接通信、间接通信和环境中介通信[7]。
直接通信是指智能体之间通过明确的消息传递进行交互，这在LLM时代通常表现为智能体间的自然语言对话。间接通信则是智能体通过观察其他智能体的行为来获取信息，这种方式在模拟社会行为时特别有用。环境中介通信是指智能体通过改变共享环境来传递信息，例如在虚拟世界中留下标记[7]。