Quartz 4

Multi-Agent Collaboration Mechanisms: A Survey of LLMs

5 min read

Multi-Agent Collaboration Mechanisms: A Survey of LLMs

Overview

Multi-Agent Collaboration Mechanisms: A Survey of LLMs 是由 Khanh-Tung Tran、Dung Dao、Minh-Duong Nguyen 等人（University College Cork、Pusan National University、Trinity College Dublin）於 2025 年 1 月發表的綜合調查論文，收錄於 arXiv (2501.06322)。

此論文提供 LLM-based Multi-Agent Systems (MAS) 協作機制的廣泛調查，並提出一個可擴展的分類框架，從五個關鍵維度解析協作機制：演員（actors）、類型（types）、結構（structures）、策略（strategies）和協調協定（coordination protocols）。

本調查涵蓋 129 篇相關文獻，是理解多智能體協作領域的重要參考文獻。^[raw/papers/multi-agent-collaboration-survey.md]

Core Contributions

五維度分類框架

論文的核心理論貢獻是提出一個五維度分類框架，用於系統化理解 MAS 協作機制：

維度說明範例
Actors參與協作的智慧體類型與數量同構/異構 Agent、人類-Agent 協作
Types互動類型合作（Cooperation）、競爭（Competition）、競合（Coopetition）
Structures系統架構點對點（Peer-to-Peer）、集中式（Centralized）、分散式（Distributed）
Strategies協作策略角色導向（Role-based）、模型導向（Model-based）
Coordination Protocols協調機制訊息傳遞協議、共識機制

^[raw/papers/multi-agent-collaboration-survey.md]

MAS 的五大優勢

論文系統化整理了 LLM-based MAS 相比單一 LLM 的優勢：

  1. 知識記憶（Knowledge Memorization）：分散式智慧體可保留和共享多樣知識庫，不會造成單一系統過載
  2. 長期規劃（Long-term Planning）：將任務委派給多個智慧體，支援持續性問題解決
  3. 有效泛化（Effective Generalization）：匯聚多個專業模型專長於單一問題
  4. 互動效率（Interaction Efficiency）：透過專業智慧體同時管理子任務，加速複雜問題解決
  5. 集體智慧（Collective Intelligence）：多個智慧體的組合能力超越各部分總和

^[raw/papers/multi-agent-collaboration-survey.md]

Architecture / Approach

協作通道（Collaboration Channels）

論文定義了 MAS 中多種不同特性的協作通道，展現了多通道互動的複雜性。每個通道在資訊交換延遲、訊息保真度和協調成本上有不同的取捨。

應用領域

論文涵蓋 MAS 在多個領域的應用：

  • 5G/6G 網路：網路資源分配與優化
  • Industry 5.0：智慧製造與人機協作
  • 問答系統（Question Answering）：多領域知識整合
  • 社會與文化設置：模擬社會互動與集體決策

^[raw/papers/multi-agent-collaboration-survey.md]

Key Results

  • 調查涵蓋 129 篇相關論文（截至 2025 年 1 月）
  • 系統化分類現有 LLM-based MAS 文獻
  • 識別關鍵 lesson learned、開放挑戰與潛在研究方向
  • 涵蓋領域：5G/6G、Industry 5.0、問答系統、社會文化模擬

^[raw/papers/multi-agent-collaboration-survey.md]

Limitations

  1. 覆蓋範圍：作為 2025 年 1 月的調查，無法涵蓋此快速發展領域的最新進展
  2. 實證缺口：大多數現有研究為理論框架或單一系統評估，缺乏跨系統的大規模實證比較
  3. 安全性視角：調查主要聚焦協作效能，對安全風險（對抗攻擊、工具poisoning）覆蓋有限
  4. 規模擴展性：研究多在小型 Agent 數量下進行，對大規模（100+）Agent 系統的行為模式理解不足

^[raw/papers/multi-agent-collaboration-survey.md]

Related Entities & Concepts

  • llm-multi-agent-challenges — 多 Agent 系統挑戰與開放問題（同一領域）
  • multi-agent-systems — 多個互動 Agent 的核心概念
  • malt — MALT 的生成-驗證-精煉管道與本文的協作框架高度相關
  • shadows-in-the-code — 多 Agent 軟體開發的安全風險（互補視角）
  • skill-claw — 多使用者 Agent 技能演化框架
  • agent-ask — AgentAsk 的邊緣層級錯誤taxonomy與本文的層級分類可對照
  • beyond-static-responses — 六層級框架追蹤 LLM Agent 從靜態工具到複雜社會模擬的演化，與本文的協作層級分析互補

Graph View

Backlinks