AI 智能体协作模式解析：何种互动机制最高效？
AI 智能体间的多元互动：哪种协作策略最为奏效？
演示文稿：
https://github.com/createmomo/Notes-on-AI-Agents
往期文章：
历史文章：
关于本笔记的备注：
笔记说明：
面对某些复杂任务时，单一模型往往难以完美应对。此时，与其费力训练一个规模更大、能力更强的模型，不如让三个模型协同合作来共同攻克同一难题。
当遭遇特定任务挑战，单个模型可能已无法出色处理。然而，相较于培育更庞大强劲的模型，促使三个模型联手解决同一问题或许更为高效。
目前学界对此已有大量研究，部分论文指出，允许多个智能体相互探讨，其成果往往优于依赖单个智能体独行。
事实上，围绕该议题的研究已相当丰富。某些文献表明，促成多智能体间彼此交流，或许能比单纯依靠单一智能体取得更佳的成效。
然而，讨论的形式千差万别，究竟何种交流架构方能达成最优效果？
可是，智能体间的研讨模式多种多样，那么怎样的对话结构才能斩获最佳成果呢？
在该论文中，模型之间或智能体之间的交互关系被描绘为有向图。图中每个节点即代表一个模型或智能体。
此项研究里，模型间乃至智能体间的互动皆以有向图呈现。其中，任一节点均象征着一个模型或智能体。
此外，图中的每一条边（edge）本身也代表一个模型。
不仅如此，实际上每条连线（边）亦对应着一个模型。
例如，在此图示中，面对某项任务，前序节点会率先各自提出解决方案；
譬如，在该图谱内，针对特定任务，前置节点将首先独立给出各自的对策；
随后，位于边上的模型会贡献其见解与建议；
接着，处于边线上的模型将输出自身的思路与提议；
最终，末端节点上的模型将整合前述方案与建议，进而阐述其观点。
最后，尾端节点处的模型会统筹之前的策略及意见，从而提出自己的构想。
由此可见，末位节点的任务绝非简单拼凑前文内容，而是融入了独立的思考与判断。
因此我们不难发现，最终节点的职责并非对前置信息进行机械拼接，而是包含了其自身的推理与研判。
既然已掌握基本概念，接下来便看看这篇论文究竟试验了哪些各异的讨论模式。
如今在明晰基础理念后，便可审视该论文具体探索了哪些不同的交流架构。
比如，那种相对简单的顺序传递模式，即类似接龙的链条方式。
例如，存在一种较为简易的依次传递形态，亦即类同于接龙般的链式结构。
另一种模式则是这种树状架构。
另有种方式则是此类树形构造。
但需留意，此处是由一个节点首先生成想法，再传递给其他节点以发散思维，从而衍生出多种方案。
不过此处须加注意，该情境下是某单一节点率先孕育构思，继而转交他人以拓展思路，进而提出多重方案。
这种方式略显反直觉，因为我们通常认为应由树底层的节点先产生想法，再层层向上汇报直至顶端。但此处并非如此。
此法实则稍悖常理，因我们本能或许以为树状底层节点先生成意念，随后逐层上报至顶层节点。然此处情形非也。
总之，在发散出多个方案后，最终会有一个隐藏节点（图中未示出），负责汇总所有方案并给出最终答案。
总而言之，待多重方案发散完毕后，终将存在一个隐匿节点（图面未显），它将统合所有方案以产出最终解答。
除了链式（CHAIN）和树式（TREE）结构，还存在更复杂的形态。例如网状图（Mesh Graph），其特点在于所有节点两两相连。可见，有的节点将想法传给四个节点，有的传给三个，总之任意两节点间均有边连接。
除开链状与树状架构外，尚存更为繁杂的构造。譬如网状图谱，其特质在于每对节点间均存关联。比方说，可见某节点将意念传予四节点，另一节点传予三节点等。简言之，任意两节点间皆有边线相接。
若继续深入观察，会发现类似神经网络的结构。虽外观酷似神经网络，但实际上每个节点均为独立的神经网络模型（毕竟现今模型皆基于神经网络构建）。
倘若我们再向后审视，便会目睹形似神经网络的构造。虽外表宛若神经网络，实则每节点皆为独立之神经网络模型（毕竟当下模型均以神经网络打造）。
再往后看，可见随机生成的图。此类图实则是通过对前述网状图进行随机剪枝（pruning）而得。
若继续向后探视，可见随机生成之图谱。此类图实乃由前文所述网状图经随机剪枝处理而获。
那么，这些各异的讨论方式效果究竟如何？
如此多样的交流模式，其成效到底怎样？
图中横轴大致代表投入的“人力”规模，即参与任务的智能体数量；纵轴则代表任务完成的质量评分。该分数是基于四种不同任务的平均表现计算得出。
此图横坐标约莫指代所调动的“人力”多寡，亦即参与任务之智能体数目；纵坐标则表征任务完成之质量分值。此分值系于四项不同任务上取均值而得。
从左上角的图表可见，效果最差的正是那种一个传一个的链式（Chain）结构。
自左上角图示可辨，成效最逊者，乃是那种依次传递（即链式）的架构。
至于其他方式？论文发现，针对不同任务，最适合的讨论模式也不尽相同。究竟何种模式适配何种任务，只能具体情况具体分析，这其中仍有大量研究空间。
那其余方式又如何？据论文揭示，针对相异任务，最适宜的交流形态亦各有不同。至于何法最配何务，唯有个案剖析，此中尚蕴海量探究余地。
此外，从图中还可看出，随着投入的智能体增多，质量确实随之提升。但这种提升存在上限，一旦超过某个临界点，效果提升便不再显著。
另从该图亦可洞察，伴随投入智能体数目递增，品质确乎随之攀升。然此提升存有极限，一旦超越某阈值，增益效果便不再显著。