大家好，我是肆〇柒。LLM 多智能体系统在社会模拟和复杂任务解决这两大领域大显身手。在社会模拟里，它们精准地复刻人类社交互动模式，助力我们洞察群体行为背后的社会学；在复杂任务解决场景下，智能体们协同合作，先是制定详尽规划，再按部就班执行，轻松应对复杂局面。然而，现有系统并非尽善尽美。一方面，它们大多为特定领域量身定制，比如有的专注于社会交往场景模拟，有的仅能在软件开发等狭窄领域发挥作用，缺乏跨领域的适应能力；另一方面，传统的串行执行模式严重拖慢了解决问题的节奏，大量计算资源无端浪费；而且，多智能体协作的实际效果也常常不尽如人意，有时甚至不如单智能体来得高效。
复旦大学推出的 AGENTGROUPCHAT-V2 框架，以独特分治并行架构与自适应协作引擎，为 LLM 多智能体系统协作难题提供创新解法。
Qwen2.5-72B 和 Llama3.1-70B 模型性能对比
如上图所示，AGENTGROUPCHAT-V2 在常识推理、特定领域知识、结构化文本理解、数学推理和代码生成这五个不同领域中，无论是基于 Qwen2.5-72B 还是 Llama3.1-70B 模型，均展现出卓越的性能表现，持续超越现有的多智能体方法和基线方法，充分证明了多智能体方法在解决复杂问题上的优势。这一优势不仅体现在高准确率上，还展现了其在多变任务场景下的稳定性和可靠性，为解决复杂问题提供了新的思路和强大工具。下面一起来了解以下这个框架。
AGENTGROUPCHAT-V2 的核心创新
分治并行架构
分治并行架构是 AGENTGROUPCHAT-V2 的强大引擎。系统先将用户复杂查询拆解为层次分明的任务森林结构，清晰梳理出各任务依赖关系，实现分布式并行处理。这种架构的核心架构由三个关键模块构成：查询管理器、任务管理器和组管理器。查询管理器作为系统的 “前哨站”，时刻准备接收用户五花八门的查询请求，经初步处理后传递给任务管理器；任务管理器则如同 “中军帐”，全面掌控任务执行流程，妥善分配任务，管理任务间的错综复杂关系；组管理器负责调用大型语言模型，组织智能体展开高效协作，针对具体任务发起并行处理，三个模块相互配合，让系统在分布式集群部署环境下，最大化地提升了处理效率，减少了资源浪费。例如，面对开发大型软件项目的任务，查询管理器接收任务后，将其细分为需求分析、模块设计、编码实现等子任务；任务管理器根据各子任务的优先级和依赖关系，合理安排执行顺序；组管理器则根据任务特点，选择合适的大型语言模型，组建智能体团队，让它们并行处理不同模块的设计与编码工作，大幅缩短了整个项目的开发周期。
自适应协作引擎
自适应协作引擎赋予了 AGENTGROUPCHAT-V2 灵动的协作能力。根据任务的性质、难度和领域等特征，系统自动匹配不同 LLM 组合，灵活切换交互模式。在任务级，针对复杂任务，系统将其层层拆解，为每个子任务挑选最擅长的 LLM；在执行级，各智能体依据自身 LLM 特性，有的负责逻辑推理，有的专注数据处理，还有的擅长创意构思，它们相互配合，优势互补。例如，在一场科研协作中，面对跨学科难题，系统会为理论推导部分调用逻辑推理型 LLM，为实验设计调用创意型 LLM，为数据分析调用统计分析型 LLM，它们通过有序协作，快速攻克难关。具体来说，系统会预先根据任务类型和需求，从模型库中筛选出符合要求的 LLM 候选名单，再依据任务的实时反馈和智能体协作效果，动态调整 LLM 组合，确保任务执行的高效性和精准性。
与传统的集中式多智能体架构相比，AGENTGROUPCHAT-V2 的自适应协作引擎在任务分配上更加灵活高效。集中式架构中，存在一个中央控制器负责所有任务分配和资源调度，一旦中央控制器出现故障，整个系统可能瘫痪。而 AGENTGROUPCHAT-V2 的自适应协作引擎采用分布式任务分配机制，任务管理器和组管理器协同工作，将任务动态分配给最适合的智能体组，可以提高了系统的容错性，同时还能根据智能体的实时负载情况进行资源调度优化。例如，在处理高并发任务时，组管理器可以动态调整智能体的数量和资源配置，确保系统整体性能不受影响。
智能体组织优化策略
智能体组织优化策略是 AGENTGROUPCHAT-V2 的 “点金术”。系统将分治理念融入智能体协作，给每个智能体精准分工，使其心无旁骛地专注于特定任务领域。通过科学的任务分解和智能体组合，复杂任务被化繁为简，智能体们各自发挥专长，极大提升了整体协作效能。比如在智能教育系统中，系统将教学任务分解为知识点讲解、习题批改、学习路径规划等子任务，分别由擅长教学的智能体、细致批改的智能体和熟悉教育心理的智能体负责，它们分工协作，为学生提供全方位的优质教育服务。在实际任务中，系统会根据任务的复杂程度和领域特点，制定详细的智能体分工方案，明确每个智能体的职责范围和工作流程，确保协作过程有条不紊。
AGENTGROUPCHAT-V2 的框架架构
查询管理器（Query Manager）
查询管理器作为系统的 “门面担当”，肩负着与用户直接对话的重任。它利用大型语言模型的强大语义理解能力，精准剖析用户原始查询，将其转化成系统内部可操作的任务树结构。比如，用户咨询 “如何在一个月内学会一门新编程语言”，查询管理器迅速拆分出语言基础学习、实践项目操练、社区交流互动等子任务，再传递给任务管理器，待任务完成后，又将各子任务结果整合成一份完整的学习计划，用通俗易懂的语言呈现给用户。在任务拆解过程中，查询管理器会参考大量的语言模型知识库和语义分析算法，确保每个子任务都准确契合用户需求。
如下图所示，AGENTGROUPCHAT-V2 框架由三个主要组件构成：查询管理器、任务管理器和组管理器。该框架展示了从用户查询处理到任务分解和管理，再到多智能体群组聊天执行的完整工作流程，箭头指示了组件之间的数据流向。任务森林可视化展示了查询是如何转化为层次化的任务结构，其中已解决节点为棕色，未解决节点为黄色，而组管理器中并行进行多智能体群组聊天。
AgentGroupChat-V2 框架结构
查询管理器在将用户查询转化为任务树结构时，采用了一种基于深度优先搜索（DFS）和广度优先搜索（BFS）相结合的混合策略。对于具有明确层次结构的查询，如软件开发项目，查询管理器会先采用 DFS 策略，从顶层任务开始，逐步深入到各个子任务，直到将整个项目分解为一系列基本任务单元。而对于一些需要横向扩展的查询，如市场调研任务，查询管理器则采用 BFS 策略，先列出所有一级子任务，再逐步细化每个子任务下的二级任务，确保任务分解的全面性和系统性。这种混合策略能够兼顾任务分解的深度和广度，为后续的任务执行提供清晰准确的任务树结构。
任务管理器（Task Manager）
任务管理器是系统里的 “大总管”，凭借 CPU 的强大算力，对任务流实施全方位管控。它负责维护整个任务森林的全局状态，时刻掌握各任务树的执行进度。在收到来自查询管理器的任务树后，它依据任务的优先级、紧急程度和资源需求等因素，制定任务分配策略。对于存在层级关系的任务，它确保子任务的结果能及时回传给父任务，为父任务的顺利执行提供有力支撑；对于相互独立的任务，它则迅速将它们分派给组管理器，开启并行处理模式，提高任务执行效率。在大型电商促销活动筹备工作中，任务管理器协调商品上架、库存管理、营销活动策划等多项任务，保障整个活动的高效推进。在任务分配时，任务管理器会运用先进的调度算法，综合考虑任务的依赖关系、执行时间和资源占用等因素，力求达到最优的调度效果。
任务管理器采用了多种调度算法来优化任务分配和执行。对于具有严格先后顺序的任务链，任务管理器采用关键路径法（CPM）来确定任务的执行顺序，确保关键路径上的任务能够按时完成，从而保证整个项目进度不受影响。对于可以并行执行的任务组，任务管理器则采用动态优先级调度算法，根据智能体的实时负载情况和任务的紧急程度，动态调整任务的优先级，将高优先级任务分配给负载较轻的智能体，从而实现资源的最优利用。此外，任务管理器还会定期对任务执行情况进行监控和评估，对于执行缓慢或出现异常的任务，及时进行调整和优化，确保任务管理的高效性和稳定性。
任务管理器和组管理器模块的详细实现
组管理器（Group Manager）
组管理器是系统里的 “执行先锋”，一接到任务，它立马着手挑选大型语言模型作为智能体的 “大脑”，依据任务的不同需求，为智能体配置工作空间、分配对象资源，并合理调度计算资源。它可以灵活扩展多个实例，实现并行运行，轻松驾驭多个智能体团队，让系统计算资源得到充分利用。以智能客服系统为例，当面对客户咨询产品性能、售后政策和投诉处理等多方面任务时，组管理器迅速组建多个智能体小组，有的负责查阅产品文档解答性能问题，有的依据政策文件回复售后条款，有的专注安抚客户情绪处理投诉，各个小组齐头并进，快速提升客户服务效率。在智能体团队组建过程中，组管理器会根据任务的特性和模型的性能特点，为每个智能体匹配最适合的大型语言模型，并分配合理的计算资源，确保智能体能够高效运行。
组管理器在智能体团队的组建和管理过程中，采用了一系列优化策略来提高协作效率和资源利用率。首先，组管理器会根据任务需求和智能体的角色分配，为每个智能体预分配一定量的计算资源，如 CPU、内存和网络带宽等。在任务执行过程中，组管理器会实时监控智能体的资源使用情况，对于资源使用率较低的智能体，及时回收部分资源并重新分配给其他急需资源的智能体，从而实现资源的动态平衡和优化利用。其次，组管理器还会根据智能体之间的协作关系，优化智能体的通信拓扑结构。例如，对于需要频繁交互的智能体，组管理器会将它们部署在同一台服务器或同一网络子域内，减少通信延迟，提高协作效率。此外，组管理器还会采用负载均衡策略，将任务均匀分配给各个智能体团队，避免出现某些智能体团队过载而其他团队闲置的情况，从而确保整个系统的高效运行。
小组聊天（Group Chat）设计
任务（Task）
在 AGENTGROUPCHAT-V2 系统中，任务是处理的基本单元，有着严谨的结构定义。每个任务都包含任务 ID、描述信息、父任务关联、子任务集合以及处理结果这些关键要素。任务在系统中按照既定规则经历状态转换：从初始的未分配资源的创建状态，到等待依赖任务完成的待命状态；从分配到组管理器开始执行的激活状态，再到成功产出结果的完成状态或因错误而终止的失败状态。例如，在开发一款移动应用的任务树中，父任务 “界面设计” 下会有子任务 “登录界面设计”“首页布局规划” 等，各任务按照状态转换流程逐步推进，直至整个应用界面设计任务圆满完成。在任务状态管理方面，系统会实时监控每个任务的执行情况，及时处理可能出现的异常状态，确保任务能够顺利推进。
任务的状态转换过程可以用一个状态机模型来描述。每个任务初始时处于创建状态（Created），此时任务已由查询管理器生成，但尚未分配执行资源。当任务管理器为任务分配了执行资源后，任务进入激活状态（Active），开始由组管理器负责执行。在执行过程中，任务可能会因为等待其他任务的结果或资源不足等原因进入待命状态（Pending）。如果任务执行成功，它将进入完成状态（Completed），并将结果传递给父任务；如果任务执行过程中出现错误，如智能体崩溃、通信超时等，任务将进入失败状态（Failed），此时任务管理器会根据错误类型和任务重试策略决定是否重新调度任务。任务状态转换的公式可以表示为：
小组（Group）
小组是多智能体协作的 “作战单元”，由组管理器创建和管理。它包含进度标识符、参与智能体列表、关联任务 ID 和相关资源等丰富信息。组管理器根据任务要求，为小组内的智能体分配各具特色的角色、专属工作空间、详细对象信息以及用于记录互动历程的历史字段，从而实现智能体间多彩多姿的高效协作。比如在智能建筑设计小组中，有负责结构设计的智能体、专攻暖通空调设计的智能体、擅长电气系统规划的智能体等，它们在组管理器的指挥下，携手打造出节能环保的智能建筑方案。在智能体角色分配时，组管理器会根据任务需求和智能体的能力特点，为每个智能体制定最合适的工作角色，充分发挥其专业优势。
小组的协作效率不仅取决于智能体的角色分配，还与智能体之间的通信和交互机制密切相关。在 AGENTGROUPCHAT-V2 系统中，小组内的智能体通过消息传递机制进行通信。消息传递协议采用了一种基于发布 - 订阅（Publish - Subscribe）模式的通信机制。每个智能体可以向组管理器发布消息，也可以订阅其他智能体发布的消息。组管理器作为消息的中转站，负责将消息按照预定的规则路由到相应的智能体。这种通信机制能够有效减少智能体之间的直接通信开销，提高系统的可扩展性和可靠性。例如，在一个由 10 个智能体组成的协作小组中，如果每个智能体都与其他 9 个智能体直接通信，那么总共需要维护 90 条通信链路。而采用发布 - 订阅模式后，每个智能体只需与组管理器进行通信，通信链路数量减少到 20 条（每个智能体向组管理器发布消息和订阅消息各一条），大大降低了系统的通信复杂度。
小组环境配置（Group Environment Configuration）
小组环境配置是智能体协作的 “起跑线”，涵盖了进度 ID、关联任务 ID、参与智能体及其发言顺序、共享资源等关键要素。组管理器依据任务需求，在众多大型语言模型中精挑细选，为每个智能体挑选出最适合的推理引擎，并为其量身定制角色和资源分配方案。在智能新闻报道小组的环境配置中，会有 “新闻撰写智能体”“事实核查智能体”“排版设计智能体” 等不同角色，它们按照既定的发言顺序和分工，在共享的新闻素材资源库中各司其职，高效产出优质的新闻报道。在环境配置过程中，组管理器会充分考虑智能体协作的效率和资源利用率，科学合理地分配各类资源，为智能体协作创造良好的条件。
在小组环境配置中，共享资源的管理是一个关键问题。共享资源包括数据文件、知识库、中间结果等，多个智能体可能会同时访问这些资源。为了保证数据的一致性和完整性，组管理器采用了资源锁定和版本控制机制。当一个智能体开始访问共享资源时，组管理器会对该资源进行锁定，防止其他智能体同时修改。在智能体完成对资源的访问后，组管理器会解除锁定，并根据需要更新资源的版本信息。此外，组管理器还会定期对共享资源进行备份和恢复操作，以防止数据丢失和系统故障对协作过程的影响。例如，在一个需要多个智能体共同编辑同一文档的任务中，组管理器会记录每个智能体对文档的修改时间和内容，当出现冲突时，根据预先定义的冲突解决策略（如时间戳优先、智能体优先级等）进行自动合并或提示智能体进行手动解决，确保文档的最终一致性。
小组聊天编排（Group Chat Orchestration）
小组聊天编排是智能体协作的 “指挥棒”，通过如下算法 1 描绘出小组聊天从开始到结束的完整路径。系统接收最大行动轮数、参与智能体列表和初始环境状态等输入参数后，智能体们依次在每轮行动中感知环境、做出决策、执行交互并更新环境。每轮对话结束后，系统都会生成对话摘要，实时监测任务是否达成，一旦任务完成，便火速返回结果。例如在智能旅游规划小组聊天中，各智能体围绕用户需求，依次分享旅游资源信息、规划行程路线、推荐酒店美食，随着对话轮次推进，逐步打磨出一份完美的旅游攻略。在对话管理方面，系统会根据任务的复杂程度和智能体协作情况，动态调整对话流程，确保对话能够高效有序地进行。
小组聊天编排的算法可以通过伪代码进一步详细描述如下：
在每轮对话中，智能体首先感知当前环境状态，然后根据感知信息做出决策，执行相应的交互动作，并更新环境状态。环境状态的更新包括对话历史的记录、任务进度的更新以及智能体内部状态的调整等。通过这种方式，智能体之间的对话能够逐步推进任务的解决。此外，系统在每轮对话结束后都会对对话内容进行总结，生成讨论摘要，用于判断任务是否完成。如果任务完成，系统会立即返回结果，避免不必要的对话轮次，提高协作效率。
智能体交互（Agent Interaction）
智能体交互是小组聊天的 “活力源泉”，如下算法 2 演示了智能体交互。无论是面向全体的广播消息，还是点对点的定向交流，智能体都能根据任务需求灵活切换。发起智能体先生成初始消息，若目标是全体成员，便直接记录广播消息；若是特定对象，便开启双智能体的轮流向对话模式，直至达到最大轮数或一方主动结束对话。在智能医疗诊断小组中，智能体们通过精准的定向交互，快速交换患者症状、检查报告等关键信息，共同为患者制定精准的治疗方案。在交互过程中，智能体会根据对话内容和任务需求，动态调整交互方式和策略，确保信息能够准确有效地传递。
智能体交互的算法伪代码如下：
在定向交互中，发送方智能体生成初始消息后，接收方智能体根据对话历史和消息内容生成响应。智能体之间轮流发送消息，直到达到最大对话轮次或一方无法继续响应为止。这种双向对话模式能够确保信息在两个智能体之间充分交换，提高协作的深度和准确性。同时，智能体在交互过程中会根据对话的进展动态调整消息的内容和表达方式，以更好地适应任务需求和对方智能体的理解能力。
聊天结果处理（Chat Results Processing）
聊天结果处理是智能体协作的 “收尾”，组管理器对对话内容进行全面总结，精准提炼关键信息和阶段结论，为后续交互提供有力的背景支撑。同时，系统严谨地开展质量评估，确保对话成果切实满足任务要求，再将确认有效的小组聊天结果进行格式规范处理，使其完美适配任务管理器的处理标准，最终将任务成果妥善保存并反馈给用户。在智能法律咨询小组中，各智能体的讨论结果经处理后，形成一份条理清晰、逻辑严谨的法律意见书，为当事人提供专业的法律指导。在结果处理过程中，系统会运用多种信息提炼和质量评估算法，确保最终结果的准确性和可靠性。
聊天结果处理的关键在于信息的提炼和质量评估。系统采用了基于注意力机制的信息提炼算法，能够自动识别对话中与任务目标最相关的关键信息，并将其整合成简洁明了的总结。质量评估则通过对比对话结果与任务要求、验证中间结果的正确性以及评估智能体协作的有效性等多个维度来进行。例如，在数学推理任务中，系统会检查智能体得出的公式推导是否正确、计算结果是否符合预期以及是否存在逻辑漏洞等。对于不符合质量要求的对话结果，系统会将其标记为待审核状态，由任务管理器重新调度智能体进行补充讨论或修正错误，确保最终结果的高质量和高可信度。
实验设置
任务与基准测试
在数学推理领域，GSM8K 测试集包含 1300 道小学数学题，用于检验模型在基础数学推理上的精细度；MATH 测试集则汇聚 12000 道涵盖 5 个难度层级的高中及竞赛数学题，专为挑战模型的高阶数学推理能力而设计；AIME 测试集精选美国邀请赛数学题，以精准的数值答案匹配评估，全方位考察模型在复杂数学场景下的推理深度。代码生成方面，MBPP 测试集涵盖了 500 个 Python 编程任务，搭配测试用例，通过单元测试通过率来衡量模型生成代码的准确性和实用性；HumanEval 提供 164 个函数级编程挑战，采用 pass@k 指标，即依据特定公式计算生成解决方案的正确率，精准评估模型在代码生成领域的质量与可靠性。特定领域任务里，FinQual 测试集从 CFA 考试和 FinQA 测试集中采样 1000 道金融领域题目，检验模型在金融推理和计算上的专业性；JEC-QA 涵盖 26365 道中国法律职业资格考试题目，考察模型对法律概念的理解和场景分析能力；MedmcQA 提供 194000 道印度医学入学考试题目，用于评估模型在医疗保健概念和临床推理方面的表现。结构化文本理解方面，StrucText-Eval 测试集专注于评估模型对不同复杂程度结构化文本数据的理解和处理能力，涵盖文本解析、信息提取、数据转化等多维度任务。常识推理领域，HellaSwag 测试集包含 70000 个常识问答对，以情境多项选择形式呈现，检验模型在日常场景中的常识运用能力；WinoGrande 测试集则提供 44000 个代词消解挑战，通过上下文推理判断代词指代对象，评估模型的常识推理精度。
基线方法（Baseline Methods）
Naive 方法简单直接，仅将任务原封不动地传递给单一大型语言模型，毫无优化处理，依赖模型原始能力解决问题。Naive-CoT 方法在单一智能体框架下引入思维链提示，引导模型逐步展开详细推理过程，以提升问题解决的准确性。ReAct 框架采用结构化的单智能体模式，借助循环的推理、行动和观察过程分解问题，强化智能体与环境的交互学习能力。AutoGen 方法构建了可编程的多智能体对话框架，内含 AssistantAgent 和 UserProxyAgent 等角色，借助智能体间的对话探索问题解决方案。Multi-Agent Debate 方法让多个智能体通过预设对话序列分析问题，持续辩论直至达成共识，以群体智慧攻克难题。
大型语言模型（LLM）
Qwen2.5-72B-Instruct 和 Llama-3.1-70B-Instruct-Turbo 这两款先进的大型语言模型在实验中大放异彩。它们在通用任务处理上展现出卓越的性能，无论是文本生成、知识问答还是逻辑推理，都能凭借庞大的参数规模和先进的训练架构输出高质量结果。同时，它们在计算效率方面也表现出色，能够在合理的时间内完成复杂任务，为 AGENTGROUPCHAT-V2 系统提供了强大可靠的算力支持。
实验结果与分析
数学推理性能分析
在 GSM8K 测试集上，AGENTGROUPCHAT-V2 搭配 Qwen2.5-72B 和 Llama-3.1-70B 时，准确率分别高达 87.41% 和 91.50%，相较于其他基线方法有了显著提升。在更具挑战性的 AIME 测试集中，搭配 Qwen2.5-72B 时准确率达到 30.4%，几乎是其他方法性能的两倍。
为了更直观地展示不同方法在数学推理任务上的性能表现，对比了 AGENTGROUPCHAT-V2 指定角色配置与通用角色配置、AutoGen 和 Multi-Agent Debate 方法在 MATH-100 数据集上的表现。如下4张图所示：
AGENTGROUPCHAT-V2 通用角色性能
AGENTGROUPCHAT-V2 指定角色性能
AutoGen 性能
Multi-Agent Debate 性能
从热图对比可见，AGENTGROUPCHAT-V2 指定角色配置在多种智能体数量和对话轮次组合下性能出色，最高准确率达 58%；而通用角色配置最高准确率仅为 36%。指定角色配置凭借智能体间的精细分工，不同角色发挥独特优势，协同攻克难题，性能随着智能体数量增加而稳步提升；通用角色配置由于智能体角色单一，新增智能体仅带来信息冗余，无法形成有效协作合力，性能反而下滑。相比之下，AutoGen 和 Multi-Agent Debate 等传统框架在智能体数量增多时性能普遍下降，无法驾驭大规模智能体协作，充分凸显 AGENTGROUPCHAT-V2 在大规模协作管理上的独特优势。
代码生成性能分析
在 HumanEval 测试集上，AGENTGROUPCHAT-V2 搭配 Llama-3.1-70B 和 Qwen2.5-72B 时，pass@1 分别达到 79.20% 和 76.46%，在初始解决方案质量上遥遥领先。但随着采样率提高，其性能优势有所缩减。这是因为其协作机制能在多视角分析问题后快速生成优质解决方案，可一旦需要高采样率探索多样化方案时，智能体间的频繁沟通反而拖慢了优化节奏；而像 ReAct 框架虽在 pass@5 指标上表现出色，但前期生成的初始方案质量欠佳，说明不同架构在特定任务场景下的适配性各有不同。
在代码生成任务中，对不同方法的误差来源进行了详细分析。发现 AGENTGROUPCHAT-V2 的主要误差来源在于智能体间的沟通不充分和代码逻辑的细微错误。例如，在一些复杂的嵌套循环和递归函数生成任务中，智能体可能因为对问题理解的偏差导致生成的代码逻辑不严谨，从而出现运行错误。此外，当任务需要生成多种不同风格的代码解决方案时，智能体的思维定式也可能限制其探索能力，导致采样多样性不足。针对这些问题，可以通过增加智能体的对话轮次、引入代码审查智能体以及采用多样化的代码风格训练数据等方式来降低误差，提高代码生成的准确性和多样性。
常识推理性能分析
在 HellaSwag 测试集上，Naive 方法搭配 Qwen2.5-72B 时准确率高达 73.7%，优于 AGENTGROUPCHAT-V2 的 70.3%；在 WinoGrande 测试集上，Naive-CoT 方法搭配 Qwen2.5-72B 时准确率达到 85.5%，同样胜过 AGENTGROUPCHAT-V2。因为常识推理问题往往答案明显，直接调用模型就能快速得出结论，而 AGENTGROUPCHAT-V2 的分治策略却将问题过度拆解，增加了不必要的复杂性。例如面对 “早上太阳从哪边升起” 这类常识问题，模型直接作答即可，但该框架却要调动多个智能体从天文、地理等多角度分析，反而容易因过度思虑陷入困惑，得出错误答案。
在常识推理任务中，AGENTGROUPCHAT-V2 的不确定性主要来源于智能体的角色分配和任务分解过程。由于常识推理问题通常具有较强的直观性和单一性，过度的分治策略可能会引入冗余的中间环节，导致智能体在协作过程中出现信息过载和观点冲突。例如，当多个智能体从不同领域对同一问题进行分析时，可能会产生相互矛盾的结论，从而增加系统的不确定性。为了降低这种不确定性，可以在常识推理任务中采用更简洁的任务分解方式，减少智能体的数量，并优化智能体的角色分配，使其更贴近问题的本质。同时，可以通过调整智能体的协作策略，如采用多数投票机制或权威智能体决策机制，来提高常识推理结果的稳定性和可靠性。
结构化文本理解性能分析
在 StrucText-Eval 测试集上，随着文本复杂度提升，AGENTGROUPCHAT-V2 的稳健性优势尽显。在宽度为 3、深度为 3 的高复杂度配置下，其准确率高达 52.1%，远超其他方法。它能巧妙地将复杂文本层层拆解，各智能体分工协作，有的解析表格结构，有的梳理文本逻辑，有的提取关键信息，再通过整合汇总形成完整答案；而像 Multi-Agent Debate 方法在复杂文本面前，智能体间的辩论极易陷入混乱，准确率大幅下滑，从简单配置的 83.3% 暴跌至 40.3%，ReAct 框架更是因难以应对大量文本信息，出现性能崩塌，准确率跌至 1.2% 以下。
特定领域知识性能分析
在金融领域，Multi-Agent Debate 方法在 FinQual 测试集上表现亮眼，准确率达到 80.20%；医疗领域中，Llama-3.1-70B 搭配 Multi-Agent Debate 时，MedmcQA 测试集准确率为 90.20%；法律领域则是各方法的 “滑铁卢”，最大准确率仅 42.56%。AGENTGROUPCHAT-V2 在各领域维持相对稳定的性能，这表明它在金融等需多角度分析的领域优势明显，但在法律这类高度专业且依赖精细细节推理的领域，还有待进一步优化提升。
消融研究
智能体数量与对话轮次的影响
指定角色配置下，智能体数量增加推动性能上扬。以 5 个智能体为例，平均每增加一个智能体，性能提升约 7 个百分点，从 2 个智能体时的平均 32.5% 提升至 5 个智能体时的 53.5%。不同角色智能体在对话过程中相互补充信息，随着智能体队伍的壮大，能挖掘出更多任务关键细节，为问题解决提供更全面的视角；通用角色配置则陷入困境，智能体数量从 2 个增至 5 个，平均准确率从 34.5% 下滑至 31.5%，降幅达 8.7%。由于智能体角色雷同，新增成员只能重复既有观点，不仅无法增强协作效果，反而增加了信息整合的复杂度，降低了协作效率。在对话轮次的影响下，指定角色配置呈现出先升后降的态势，5 个智能体时，准确率从 2 轮对话的 52% 上升至 3 轮对话的 58%，后又在 5 轮对话时回落至 49%。适度对话轮次为智能体提供了足够沟通交流的空间，使其能充分整合多角度的专业见解，但对话轮次一旦过多，复杂的信息交互反而让智能体难以抉择；通用角色配置对对话轮次变化反应平淡，准确率仅从 2 轮对话的 34.5% 微降至 5 轮对话的 31.5%，智能体专业背景单一，对话轮次增加仅能带来有限信息增量，无法为问题解决注入新的活力。
案例研究
任务树分解示例
以开发互动数据可视化工具为例，AGENTGROUPCHAT-V2 将任务拆解为四大阶段。先是模块接口设计，确定工具的总体架构和各模块交互方式；然后是数据处理功能开发，定义数据清洗、转换流程；接着是可视化功能打造，选定适合数据展示的图表类型和交互效果；最后是测试验证，确保工具各功能正常运转。各阶段任务相互独立又紧密衔接，模块接口设计完成后，数据处理和可视化功能开发可并行推进，最后统一汇总至测试验证环节。在任务树的清晰指引下，各智能体团队在组管理器的调配下，有条不紊地开展工作，极大地提升了开发效率。
任务分解示例如下图所示：
互动数据可视化工具开发任务分解
小组聊天协作示例
文件解析任务的小组聊天协作过程精彩纷呈。第一轮对话，需求分析师智能体全面剖析任务需求，明确文件格式验证、编码检测、数据解析和大文件处理等关键要点，并提出初步方案；代码实现智能体迅速响应，给出基础代码框架，实现了对 CSV 和 Excel 文件的基本解析功能；代码审查智能体严谨审视后，指出文件大小限制缺失、编码检测过度依赖 pandas 默认设置、异常处理简单、缺少数据类型推断等问题，并提出改进建议。第二轮对话，需求分析师智能体根据审查反馈，细化需求，明确文件大小 100MB 限制、支持多种常见编码自动检测、分类处理错误、智能识别数据类型以及采用分块处理大文件等具体要求；代码实现智能体依据新需求，重构代码，引入 charset 模块增强编码检测，采用分块读取机制优化大文件处理，同时强化数据类型推断功能；代码审查智能体最终评估新代码，认可改进成果，代码质量在多轮对话协作中逐步攀升。
拓展实际应用场景
在区块链技术分析文章写作任务中，任务被拆解为技术调研、案例收集、市场分析、撰写技术分析章节、撰写市场分析章节和整体优化等六个阶段。技术调研阶段，研究规划智能体快速锁定关键文献和最新研究成果，为后续分析奠定理论基础；案例收集阶段，研究执行智能体深入区块链项目实践，挖掘具有代表性的成功和失败案例；市场分析阶段，研究执行智能体运用数据分析工具，解读区块链行业市场趋势和竞争格局；撰写章节阶段，写作规划智能体构建章节框架，写作执行智能体填充内容细节，内容审查智能体确保文章逻辑连贯、观点准确；整体优化阶段，集成规划智能体协调各章节内容，整合执行智能体打磨语言表达，质量保障智能体全方位审核文章质量。通过智能体的紧密协作，最终产出专业、深入且具前瞻性的区块链技术分析文章，为行业从业者和研究者提供重要参考。
任务分解示例如下图所示：
区块链技术分析文章写作任务分解
在智能教育辅导系统开发任务中，需求分析阶段，智能体们通过与教育专家和学生群体的交流，精准定位系统功能需求；课程设计阶段，课程规划智能体依据教学大纲设计课程体系，教学设计智能体细化教学活动和教学方法，资源整理智能体收集各类教学素材；系统测试阶段，测试规划智能体制定全面的测试方案，测试执行智能体模拟不同教学场景开展测试，质量保障智能体及时反馈并跟进问题解决。经过智能体的协同奋战，开发出的智能教育辅导系统能精准满足学生个性化学习需求，有效提升教学效果。
总结
本文介绍了一个基于大型语言模型（LLM）的多智能体系统框架AgentGroupChat-v2，目标是为了解决复杂推理和任务分解问题。该框架通过创新的分治策略，显著提升了多智能体系统的性能和效率。如下：
- 系统架构创新：提出了一种全并行架构，通过三个协调管理模块（查询管理器、任务管理器和组管理器）支持分布式并发处理，显著提高了系统吞吐量和资源利用率。
- 任务级分治：通过动态任务树分解，将复杂查询分解为可管理的子任务，优化依赖管理和并行执行。
- 执行级分治：通过专门的智能体角色分配，不同LLM承担不同角色，专注于问题解决的具体方面，实现自适应协作。
综上，AGENTGROUPCHAT-V2框架凭借其分治并行架构和自适应协作引擎等核心创新，提供了一种高效、通用的LLM多智能体系统解决方案，在复杂推理场景中具有显著优势。它不仅成功攻克了传统系统在架构设计、跨领域适应性和性能保障等方面的难题，还在数学推理、代码生成等复杂任务场景中取得了卓越的性能表现。尤其在高难度任务中，AGENTGROUPCHAT-V2充分展现了汇聚集体智能攻克难关的能力，让我们看到了多智能体协作的巨大优势。当然，尽管在常识推理等特定任务中仍有提升空间，但其整体表现无疑为未来的研究和发展提供了一种创新思路。
