随着大语言模型（LLM）驱动的多智能体系统快速发展，越来越多的系统被用于软件工程、科学分析、网页自动化、组织协作和社会模拟等任务。
但一个核心问题始终没有被系统回答：为什么有些智能体架构可以支持长链条、多步骤任务，而另一些系统在规模扩大后会失稳、低效，甚至失去协调能力？
这篇综述试图回答的，正是大规模智能体系统为何能扩展、为何会失稳，以及未来该如何设计更可扩展的系统结构。
本文作者为 Xinyuan Song、Qingsong Wen、Shirui Pan 和 Liang Zhao，分别来自美国埃默里大学（Emory University）、英国牛津大学（University of Oxford）和澳大利亚格里菲斯大学（Griffith University）。
快速增长推动研究关注系统级问题
近年来，agent marketplace 和 agent system 都在快速扩张。
一方面，智能体市场中的可用 agent 数量和类别不断增长；另一方面，真实部署的 agent system 也从少量角色协作，逐步走向包含数十个甚至数百个 agent 的复杂结构。
这意味着，大规模智能体系统已经不再只是实验室中的小规模演示，而正在进入更开放、更持续、更复杂的真实运行环境。
〓 图1. 2025年智能体市场与智能体系统增长趋势
市场中的智能体数量采用对数坐标显示，市场类别数和每个系统中的智能体数采用单独坐标轴显示，阴影区域表示估计范围。
数据来源：Internet Archive（Wayback Machine）存档网页快照，包括 OpenAI GPTs、AWS Marketplace 和 Agent.ai。
图 1 展示了这一趋势：无论是 marketplace 中的 agent 数量，还是 system 中每个任务链所涉及的 agent 数，都在明显增长。
也正因为如此，研究者不能再只关注单个 agent 的能力，而必须开始回答一个更系统的问题：当 agent 数量、类型和交互复杂度同时上升时，系统层面的行为究竟由什么决定？这也是这篇综述提出 taxonomy 的直接动机。
近日，一篇题为 Complex Networks of AI Agentic Systems: Topology, Memory, and Update Dynamics 的综述系统讨论了大规模智能体网络的结构问题。
文章提出了一套统一的三维分类框架，从拓扑结构、记忆范围和更新行为三个角度刻画多智能体系统，解释了为什么不同 agent 系统在扩展性、稳定性和协作效率上会表现出明显差异。
该工作进一步指出，大规模智能体系统的核心挑战并不只是通信设计，而是不同智能体之间世界模型不一致所带来的协调困难，为未来可扩展 agent system 的设计提供了新的分析视角。
论文地址：
https://www.techrxiv.org/doi/full/10.36227/techrxiv.177127384.46731320/v1
https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6390059
三维分类框架
文章最重要的贡献，是提出了一套三维分类框架，用来统一描述大规模智能体网络。
第一维是架构拓扑（topology），即系统是中心化（centralized）还是去中心化（decentralized）；
第二维是记忆范围（memory scope），即信息存放在全局记忆（global memory）还是局部记忆（local memory）中；
第三维是更新行为（update behavior），即系统在运行中是静态（static）还是动态（dynamic）的。
三者组合后，一共得到八类典型的大规模智能体网络。
为更直观地展示这套分类框架，作者将现有大规模智能体系统按照“拓扑（topology）—记忆范围（memory scope）—更新行为（update behavior）”三个维度组织成一张层级结构图。
通过这张图可以看到，不同系统虽然都属于多智能体范式，但它们在中心化或去中心化、全局记忆或局部记忆、静态或动态更新上的选择并不相同。
这些结构差异进一步决定了系统在协调效率、扩展性、鲁棒性和长期行为上的不同表现。
〓 图2. 大规模智能体网络的三维分类框架：基于拓扑（topology）、记忆范围（memory scope）与更新行为（update behavior）的层级组织
图 2 可以看作这篇综述的核心。文章强调，真正决定系统表现的，往往不是智能体数量本身，而是这三种机制如何组合。
中心化系统（centralized systems）更容易统一调度和维持一致性（consistency），适合任务流程明确的场景，但规模变大后容易出现中心瓶颈（central bottleneck）；
去中心化系统（decentralized systems）更灵活，更适合研究群体涌现（emergence）行为，但也更容易出现局部失调（local miscoordination）和信息漂移（information drift）。
全局记忆（global memory）有利于共享上下文（shared context）和状态对齐（state alignment），局部记忆（local memory）更贴近真实分布式环境（distributed environment），但也更容易带来分歧。
静态系统（static systems）更容易分析和复现，动态系统（dynamic systems）则更适合复杂环境中的长期任务（long-horizon tasks）和自适应协作（adaptive collaboration）。
真正的瓶颈：世界模型不一致，而不只是通信协议
在此基础上，文章还进一步提出了一个很重要的判断：通信协议（communication protocol）虽然重要，但不是大规模智能体网络最深层的瓶颈。
作者指出，更根本的问题是智能体之间世界模型（world model）的不一致。即使消息传输完全正确，不同智能体也可能因为内部知识、偏好和记忆不同，而对同一句话或同一个状态做出不同解释。
换句话说，传输正确，并不等于理解一致。这种不一致会在系统中逐层放大：
在认知层面，会形成信念漂移（belief drift）；
在行为层面，会带来合作不稳定；
在任务层面，会造成目标偏移（goal divergence）；
在系统层面，则可能形成非平稳动态（non-stationary dynamics），使整个网络难以收敛。
基于这些观察，作者认为未来研究需要更关注几个方向：更明确的一致性模型（consistency model）、更强的共享状态控制（state control）、更成熟的路由与通信调度机制，以及面向开放环境的身份、安全和鲁棒性设计。
文章还指出，现有评估体系远远不够，因为多数基准仍停留在小规模，而未来真实系统可能需要面对上千到上百万智能体！
总体来看，这篇综述的价值不只是总结已有工作，更在于给大规模智能体网络研究提供了一张结构地图。
它提醒我们：未来系统要真正扩展，关键不只是增加智能体数量，而是要解决拓扑、记忆、更新机制和世界模型对齐之间的系统性问题。
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以markdown格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬投稿通道：
• 投稿邮箱：hr@paperweekly.site
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
·
