大語言模型的能力上限止步于聊天機器人、問答系統(tǒng)、翻譯等特定語言，要想進一步展現(xiàn)潛力、解決更廣泛的問題，就必須想辦法讓它根據(jù)洞察力采取行動。換言之，只有掌握了推理的武器，大語言模型才算真正的完全體。

這種推理智能體在AI研究領(lǐng)域有著悠久歷史，他們能夠?qū)σ酝佑|過的情況進行概括，再據(jù)此處理從未見過的情況。在此基礎(chǔ)之上，只要能再建立起多智能體系統(tǒng)，大模型的全面爆發(fā)將指日可待。

多智能體系統(tǒng)的力量

這就像組建一支AI夢之隊，每位隊員都有自己的獨特技能，圍繞在同一個目標(biāo)之下協(xié)同努力。多智能體系統(tǒng)依靠通信、上下文共享和行動協(xié)調(diào)的智能體網(wǎng)絡(luò)來實現(xiàn)這種合作，因此能夠解決任何單一智能體或個人都無法處理的復(fù)雜挑戰(zhàn)。 

當(dāng)然，能力越大，面對的問題也就越困難。

但熟悉大規(guī)模團隊項目的朋友可以想見，多個智能體必然也存在像人類同事中的溝通不暢、職責(zé)重疊和難以朝著共同目標(biāo)邁進等問題。

為此，本文將深入探討事件驅(qū)動設(shè)計（已經(jīng)在微服務(wù)架構(gòu)中得到驗證）如何解決混亂問題，建立起高效、可擴展的多智能體系統(tǒng)。如果您的團隊正在探索AI的未來應(yīng)用，相信以下內(nèi)容將帶來有益的啟發(fā)。

多智能體協(xié)作的挑戰(zhàn)

多智能體系統(tǒng)的管理有著諸多獨特難題：

• 上下文與數(shù)據(jù)共享：智能體間必須準(zhǔn)確、高效地交換信息，避免重復(fù)、丟失或誤解。
• 可擴展性與容錯性：隨著智能體數(shù)量的增長，系統(tǒng)必須處理復(fù)雜交互，并保證可從故障中優(yōu)雅恢復(fù)。
• 集成復(fù)雜性：智能體往往很難與其他系統(tǒng)和工具輕松協(xié)作，需要額外設(shè)計無縫的互操作性。
• 及時準(zhǔn)確的決策：智能體需要根據(jù)最新數(shù)據(jù)做出實時決策，以確保響應(yīng)能力并避免不良結(jié)果。
• 安全與驗證：建立護欄對于防止意外操作至關(guān)重要，特別是AI模型輸出結(jié)果具有高隨機性，更需要輔以嚴(yán)格的質(zhì)量保證。

克服這些挑戰(zhàn)不僅需要全面協(xié)調(diào)，還需要為多智能體系統(tǒng)量身定制經(jīng)過驗證的設(shè)計模式。接下來，我們將深入研究這些模式，演示如何使用事件驅(qū)動設(shè)計來建立可擴展、可靠且高效的多智能體架構(gòu)。

多智能體設(shè)計模式

多智能體設(shè)計模式負(fù)責(zé)定義智能體間溝通、協(xié)作或競爭模式，從而解決問題的交互結(jié)構(gòu)。通過關(guān)注問題域及智能體的交互性質(zhì)，這些模式能夠?qū)Ω黝悎鼍跋碌淖灾鲗嶓w做出協(xié)調(diào)。

本文主要探討四大關(guān)鍵模式：協(xié)調(diào)器-工作者模式、分層智能體模式、黑板模式與基于市場模式。我們將展示如何將這些常見模式轉(zhuǎn)化為事件驅(qū)動的分布式系統(tǒng)，在建立數(shù)據(jù)流應(yīng)用的同時消除為智能體編排專門設(shè)置通信路徑的需求。我們將使用Apache Kafka概念模型描述這些模式的事件驅(qū)動版本。

協(xié)調(diào)器-工作者模式

在此模式中，中央?yún)f(xié)調(diào)器將任務(wù)分配給工作者智能體并管理其執(zhí)行。此模式類似于分布式計算中的主工作者模式，可實現(xiàn)高效的任務(wù)委派與集中協(xié)調(diào)，同時允許工作者專注于處理單一特定任務(wù)。

協(xié)調(diào)器-工作者模式

使用數(shù)據(jù)流，我們可以調(diào)整此模式以實現(xiàn)對智能體的事件驅(qū)動。Apache Kafka等數(shù)據(jù)流技術(shù)提供基于鍵的分區(qū)策略，協(xié)調(diào)器可使用鍵在單一主題的各分區(qū)間發(fā)送命令消息。之后，工作者智能體充當(dāng)消費者組，從一個或多個分配區(qū)中提取事件以完成工作。接下來，各工作者智能體將輸出消息發(fā)送至下一主題，由下游系統(tǒng)在主題之內(nèi)繼續(xù)使用。

整個模式如下圖所示：

事件驅(qū)動的協(xié)調(diào)器-工作者模式

雖然此圖看似復(fù)雜，但實際大大簡化了系統(tǒng)操作。

協(xié)調(diào)器不再需要管理與工作者智能體的連接；相反，它使用一種鍵控策略來跨分區(qū)進行工作分配。對于需要由有狀態(tài)工作者智能體作為上游消息進行處理的事件，亦可對序列中的各個事件使用相同的鍵。

工作者智能體會從一個或多個分區(qū)中提取數(shù)據(jù)，Kafka重新均衡協(xié)議可確保各工作者智能體的負(fù)載強度基本相當(dāng)。而一旦工作者發(fā)生故障，則可從給定分區(qū)重播日志以獲取保存的偏移量。協(xié)調(diào)器不再需要定制邏輯來管理各工作者；相反，它只需指定工作并使用合理的鍵控策略進行分配。同樣的，工作者也繼承了Kafka消費者組的功能，因此可利用公共機制實現(xiàn)協(xié)調(diào)、擴展與故障恢復(fù)。

分層智能體模式

在此模式中，各智能體被組織為層，其中較高級別的智能體負(fù)責(zé)監(jiān)督或?qū)⑷蝿?wù)委派給較低級別的智能體。通過將較大的復(fù)雜問題拆分成更小、更易于管理的部分，此模式在管理大型復(fù)雜問題方面表現(xiàn)尤佳。

分層多智能體模式

為了將分層模式轉(zhuǎn)化為事件驅(qū)動的形式，我們在智能體層次中遞歸應(yīng)用相同的技術(shù)以拆分協(xié)調(diào)器、工作者模式中的工作，以便各非葉節(jié)點均充當(dāng)其各自子樹的協(xié)調(diào)器。

在以上示例中，Mid Level Agent #1本身是其葉智能體的協(xié)調(diào)器，整個工作流則在功能層面被封裝到由Top Level Agent負(fù)責(zé)協(xié)調(diào)的工作者角色當(dāng)中。

上圖所示的分層拓?fù)淇赊D(zhuǎn)化為下圖：

事件驅(qū)動的分層多智能體模式

通過對分層模式進行事件驅(qū)動式改造，我們實現(xiàn)了系統(tǒng)異步，大大簡化了數(shù)據(jù)流的概念模型。整個運作體系更具彈性，因為拓?fù)洳辉僖杂簿幋a形式存在。我們可向同級組中添加或刪除智能體，這就避免了額外安排智能體管理此類變更、或在通信路徑中造成故障。

黑板模式

黑板模式代表一種共享知識庫——各智能體利用“黑板”來發(fā)布并檢索信息。此模式允許智能體異步協(xié)作且無需直接通信。這對于解決需要增量、多智能體貢獻的復(fù)雜問題特別重要。

黑板模式

我們可以以一種直接的方式調(diào)整以模式，將其改造為事件驅(qū)動架構(gòu)。

將黑板作為一個數(shù)據(jù)流主題，其由工作者生成并使用的消息組成。如果需要，可使用鍵控策略或有效負(fù)載字段來注釋事件是由哪個智能體發(fā)起。

事件驅(qū)動版本如下圖所示：

事件驅(qū)動型黑板模式

這同樣大大簡化了操作流程，也減少了在基礎(chǔ)設(shè)施之外建立定制邏輯的需求。每個工作者只需生成并使用事件，即可與團隊內(nèi)的其他成員協(xié)作。

基于市場模式

此模式模擬一個分散的市場，各智能體在其中協(xié)商并競爭以分配任務(wù)或資源。

例如，解算器或投標(biāo)智能體可相互交換響應(yīng)以改進自身響應(yīng)結(jié)果。此過程會重復(fù)固定輪數(shù)，其中聚合器智能體將根據(jù)所有智能體的響應(yīng)結(jié)果編譯出最終答案。

基于市場的模式

這是一種重要的簡化手段，消除了解算器智能體間原本發(fā)生的二次連接，因此避免了在存在大量智能體或出現(xiàn)智能體添加/丟失時連接難以管理的問題。

事件驅(qū)動版本如下所示：

事件驅(qū)動型基于市場模式

那么，為什么我們堅信這些智能體能夠以事件驅(qū)動為前提？

協(xié)調(diào)和通信的通用操作模型

這里的基本設(shè)計模式依賴于共享操作模型，以類似微服務(wù)的方式實現(xiàn)智能體間的無縫化協(xié)調(diào)。

該模型的核心是一種共享語言——或者說智能體交換信息、保持一致并有效協(xié)作的方式。這種語言和結(jié)構(gòu)化更新均由事件來充當(dāng)，確保智能體可以解釋指令、共享上下文并協(xié)調(diào)任務(wù)。我們可以將其視為系統(tǒng)形式的群聊：保持各智能體同步并順利集成新的智能體。

下面來看這種共享語言能夠讓智能體執(zhí)行哪些操作：

• 解釋命令：智能體接收清晰、標(biāo)準(zhǔn)化的指令（如JSON負(fù)載），用以指導(dǎo)其操作。
• 共享上下文：各智能體一致廣播更新，避免重復(fù)并確保相互理解。
• 協(xié)調(diào)任務(wù)：智能體執(zhí)行與共同目標(biāo)一致的獨立操作，即使在動態(tài)或不可預(yù)測的環(huán)境下也不受影響。

這就是接口的意義所在。我們必須通過設(shè)計確保智能體針對事件和命令做出反應(yīng)，而非各自為戰(zhàn)，確保它們能被無縫集成到更大的事件驅(qū)動生態(tài)系統(tǒng)當(dāng)中。

為智能體指定接口

這里有一個關(guān)鍵假設(shè)，就是各智能體不會預(yù)測行動，而僅根據(jù)上游事件或命令做出反應(yīng)。在動態(tài)且互聯(lián)的環(huán)境下，我們可以使用三個組件對智能體進行建模：

• 輸入：使用事件或命令。
• 處理：應(yīng)用推理或收集其他數(shù)據(jù)。
• 輸出：向下游消費者發(fā)送行動。

這種反應(yīng)式設(shè)計的靈感源自微服務(wù)，可使用經(jīng)過驗證的設(shè)計模式實現(xiàn)高效、可擴展系統(tǒng)的開發(fā)。

從請求/響應(yīng)到事件驅(qū)動的轉(zhuǎn)變

傳統(tǒng)上，系統(tǒng)的各個部分是通過請求/響應(yīng)模型進行交互。這雖然更簡單，但可擴展性和實時響應(yīng)能力的上限始終不高。隨著系統(tǒng)增長其會引入延遲和性能瓶頸，因為每項操作都須獲得許可，進而拖慢操作速度。

向事件驅(qū)動架構(gòu)的演進，標(biāo)志著關(guān)鍵性的轉(zhuǎn)變。

在此模型中，智能體被設(shè)計為自主發(fā)出并監(jiān)聽事件。事件充當(dāng)一種觸發(fā)信號，允許智能體直接據(jù)此做出響應(yīng)。這種方式能夠讓系統(tǒng)更具敏捷性、可擴展性和高度動態(tài)性。

事件驅(qū)動系統(tǒng)中的智能體接口由它們發(fā)出和使用的具體事件來定義，被封裝在簡單且標(biāo)準(zhǔn)化的消息中，例如JSON負(fù)載。這樣的結(jié)構(gòu)化設(shè)計：

• 簡化了智能體理解和響應(yīng)事件的方式。
• 促進了智能體在不同工作流和系統(tǒng)中的可復(fù)用性。
• 實現(xiàn)了與動態(tài)、持續(xù)發(fā)展的環(huán)境的無縫集成。

例如，健康監(jiān)測智能體可在觸發(fā)閾值時發(fā)出警報，無需定制依賴項即可輕松被集成至工作流中。

確保一致性和協(xié)調(diào)性

為了讓分布式系統(tǒng)運作順暢，讓各智能體間保持一致狀態(tài)同樣至關(guān)重要。這里就輪到不可變?nèi)罩境鰣隽恕悄荏w處理的每個事件或命令，都將被記錄在永久不可更改的日志當(dāng)中。作為單一事件來源，日志可確保所有智能體均在相同的上下文中運行，從而實現(xiàn)：

• 可靠的協(xié)調(diào)和同步。
• 通過可重放事件實現(xiàn)系統(tǒng)彈性，獲得故障恢復(fù)能力。
• 復(fù)雜的消費者模型，其中多個智能體可響應(yīng)同一事件且不致發(fā)生混淆或重疊。

這種方法大大提高了系統(tǒng)可靠性，確保智能體即使在復(fù)雜或難以預(yù)測的環(huán)境下也能協(xié)同工作以實現(xiàn)共同目標(biāo)。

要點總結(jié)

多智能體系統(tǒng)正在重新定義AI的可能性。但要充分發(fā)揮其潛力，我們必須克服可擴展性、容錯性和實時決策等挑戰(zhàn)。而事件驅(qū)動設(shè)計提供了一條清晰的前進道路。

隨著AI應(yīng)用變得愈發(fā)復(fù)雜，事件驅(qū)動的多智能體系統(tǒng)將成為解決復(fù)雜現(xiàn)實問題的利器。通過采用這種模型并實現(xiàn)智能體間的標(biāo)準(zhǔn)化通信，我們有望建立起一套具有彈性、效率極高且可靈活適應(yīng)變化的基礎(chǔ)設(shè)施，充分發(fā)揮架構(gòu)的效能潛力。

原文標(biāo)題：?A distributed state of mind: Event-driven multi-agent systems??，作者：Sean Falconer、Andrew Sellers