AI for Beginners 课程解读：多智能体系统（Multi-Agent Systems）——从涌现智能到 NetLogo 建模实战-平芜编程栈

教程
人工智能
机器学习
深度学习

【免费下载链接】AI-For-Beginners

12 Weeks, 24 Lessons, AI for All!

项目地址：https://gitcode.com/GitHub_Trending/ai/AI-For-Beginners

多智能体系统（Multi-Agent Systems，MAS）是《AI for Beginners》课程第 23 课（位于 lessons/6-Other/23-MultiagentSystems/README.md）的核心主题。本篇文章以该课文档为主线，系统讲解"涌现式（协同式）"智能如何由大量简单个体组合而成、智能体的分类体系与应用场景，并通过开源建模环境NetLogo给出可直接上手的实操路径：从模型库浏览、基础命令，到经典的 Flocking（鸟群）三规则与交通、人群等模拟实验，最后延伸至 BDI 架构的审慎型智能体原理。读完本文，你将理解多智能体系统的设计思想，并掌握用 NetLogo 快速搭建、调参、观察涌现行为的完整方法。

从"涌现"理解多智能体系统

课程开篇给出了一条不同于传统符号式或神经网络式 AI 的实现路径：涌现式（emergente）或协同式（sinérgico）方法。其核心观点是——大量相对简单的智能体（agent）组合在一起时，整体系统可以呈现出更复杂、甚至更"智能"的行为。这一思想在理论上扎根于三个概念：

集体智能（Inteligencia Colectiva）：个体的简单规则汇总后形成群体层面的智能；
涌现主义（Emergentismo）/ 全球脑（Global Brain）：更高层级的系统由低层级系统恰当组合后产生新的附加值；
演化控制论（Cibernética Evolutiva）：即所谓的"元系统转换原则（principio de transición de metasistema）"——较低层系统的组合会带来高层系统质的提升。

该方向于 20 世纪 90 年代在 AI 领域兴起，其背景正是互联网与分布式系统的高速增长。经典 AI 教科书《Artificial Intelligence: A Modern Approach》便是从多智能体视角审视经典 AI 的代表著作。在整个课程体系中，这一课被安排在 lessons/6-Other 目录下的"其他 AI 方法"板块，与遗传算法、深度强化学习并列，属于课程主 README（README.md）所归纳的"不太主流的 AI 方法"之一，但其在仿真、游戏、自动化领域的实用价值正日益凸显。

智能体（Agent）的定义与分类

多智能体方法的核心概念是智能体：一个存在于某个环境之中、能够感知环境并对其施加作用的实体。这个定义非常宽泛，课程按三个维度给出了系统的分类体系：

分类维度	类型	行为特征
推理能力	反应式（reactivos）	通常只有简单的"请求—响应"式行为
推理能力	审慎式（deliberativos）	使用某种逻辑推理和/或规划能力
代码执行位置	静态（estáticos）	运行在固定的网络节点上
代码执行位置	移动（móviles）	可以在网络节点之间迁移自己的代码
行为目标	被动（pasivos）	没有特定目标，可对外部刺激作出反应但不会主动发起动作
行为目标	主动（activos）	追求某些明确目标
行为目标	认知（cognitivos）	涉及复杂的规划与推理

其中"反应式 vs. 审慎式"的区分尤为关键，它贯穿全文：后文 NetLogo 中的智能体基本是反应式的，而课程最后讨论的 BDI 架构则属于审慎式。

现实中的应用场景

多智能体系统如今已应用于多个领域：

游戏：大量非玩家角色（NPC）使用某种 AI，可被视为智能体；
视频制作：涉及人群的复杂 3D 场景渲染，通常借助多智能体仿真完成；
系统建模：用多智能体方法模拟复杂模型的行为——例如已被成功用于预测 COVID-19 在全球的传播；类似的思路可用于建模城市交通，观察它对交规变化的响应；
复杂自动化系统：每个设备作为独立智能体运行，使整个系统不再是单一整体（monolítico），鲁棒性更强。

NetLogo：多智能体建模环境入门

课程只用一个建模示例来落地多智能体思想，这个工具就是NetLogo——一个基于改良版Logo语言的多智能体建模环境。Logo 语言最初用于向儿童教授编程概念，它允许你控制一个名为海龟（tortuga/turtle）的智能体，它移动时会留下轨迹，从而能画出复杂几何图形，是一种非常直观理解"智能体行为"的方式。

第一个命令：创建海龟并指挥它们

NetLogo 中用create-turtles创建多个海龟，再用ask让所有海龟执行动作。课程给出的最小示例：

create-turtles 10 ask turtles [ forward 10 ]

执行后，10 只海龟会同时向前移动 10 个步长。当然，让所有海龟做同样的事并不有趣，所以可以用ask只指挥特定群体（例如位于某点附近的那些海龟）。还可以用breed [cats cat]创建不同品种的海龟——注意要同时给出复数与单数形式，因为不同命令为了语义清晰会分别使用不同形式。

✅ 课程并不打算深入讲解 NetLogo 语言本身，感兴趣可以查阅 Beginner's Interactive NetLogo Dictionary 官方入门资源。NetLogo 也可以从官网下载安装后自行尝试。

模型库（Models Library）：无需从零开始的捷径

NetLogo 的一大优点是内置了大量可直接运行的工作模型。打开方式：File → Models Library，即可看到许多分类模型供选择。课程示例截图中展示了模型库的真实界面：

图片来源：Dmitry Soshnikov 的模型库截图（对应课程文档中的translated_images/es/NetLogo-ModelLib.efe023afb4763c05.webp）。

例如可以打开Biology → Flocking（鸟群）模型，直接观察涌现行为。

主界面与核心机制

打开一个模型后进入 NetLogo 主屏幕，课程以"狼与羊种群（有限资源：草）"模型为例展示了界面：

图片来源：Dmitry Soshnikov 的截图（对应课程文档中的translated_images/es/NetLogo-Main.32653711ec1a01b3.webp）。

主屏幕包含两个主要区域：

**Interface（界面）**区，内含：
- 主场地（campo）：所有智能体生存的区域；
- 各种控件：按钮、滑杆（slider）等；
- 图表：用于展示仿真参数的变化。
**Code（代码）**标签页：NetLogo 程序的编写编辑器。

大多数模型界面都有Setup按钮（初始化仿真状态）和Go按钮（启动运行），它们由代码中对应的处理器（handler）实现，结构大致如下：

to go [ ... ]

NetLogo 世界的三类对象

NetLogo 的"世界"由三种对象构成：

智能体（海龟）：在场地中移动并做事的实体。用ask turtles [...]语法向它们下命令，方括号内的代码由所有智能体以海龟模式（modo tortuga）并行执行。
补丁（Patches）：场地中的方形区域，智能体就生活在这些区域上。你可以引用同一补丁上的所有智能体，修改补丁颜色及其他属性，也可以ask patches让它们执行动作。
观察者（Observer）：控制整个世界的唯一智能体，所有按钮处理器都以观察者模式（modo observador）运行。

✅ 多智能体环境的美妙之处在于：以海龟模式或补丁模式运行的代码，会被所有智能体同时、并行地执行。因此，只需写少量代码、定义好单个智能体的行为，就能创造出整个仿真系统的复杂行为——这正是"涌现"的工程化体现。

Flocking：三条规则涌现出鸟群智能

Flocking（群集行为）是多智能体行为的经典范例，其模式与鸟群飞行高度相似。表面上看鸟群仿佛在遵循某种集体算法、拥有"集体智能"，但课程明确指出：这种复杂行为只源于每个个体（鸟）观察附近少量同类后遵循的三条简单规则：

对齐（Alineación）：朝邻居智能体的平均方向转向；
凝聚（Cohesión）：朝邻居的平均位置移动（远距离吸引）；
分离（Separación）：当离其他鸟太近时试图远离（短距离排斥）。

运行 Flocking 示例即可观察这一行为，并可通过滑杆调整参数，例如分离程度与视野范围（rango de visión）——后者定义每只鸟能看多远。注意两个极端现象：

把视野范围调到 0：所有鸟"失明"，群集行为立即停止；
把分离调到 0：所有鸟挤成一条直线。

✅ 切换到Code标签页，观察三条规则（对齐、凝聚、分离）在代码中是如何实现的，注意代码如何只引用视野之内的智能体——局部感知是涌现的关键前提。

审慎式智能体（Agentes Deliberativos）与 BDI 架构

前面讨论的智能体都很简单——它们只是用某种算法对环境变化作出反应，属于反应式智能体。但有时智能体需要推理并规划自身行动，这类被称为审慎式（deliberativos）智能体。

课程给出的典型例子是：一个个人智能体受人类委托预订度假套餐。假设互联网上有很多能提供帮助的智能体，那么这个智能体需要联系其他智能体，查询可用的航班、不同日期的酒店价格，并尝试谈判到最优价格；当度假计划完备且得到主人确认后，再执行预订。可见审慎式智能体不仅要被动反应，还要能主动发起行动，因此远比反应式复杂。

智能体之间如何通信

要让上述协作成立，智能体必须能够通信，而成功的通信需要以下四类基础设施：

标准的知识交换语言：如 Knowledge Interchange Format (KIF) 和 Knowledge Query and Manipulation Language (KQML)，二者基于言语行为理论（Speech Act theory）设计；
谈判协议（protocolos para negociaciones）：通常基于不同类型的拍卖（subastas）机制；
公共本体论（ontología común）：确保各方对同一概念有相同语义理解；
能力发现机制：一种基于本体论去"发现"其他智能体能做什么的方式。

BDI 模型：信念—愿望—意图

课程介绍了一种经典的审慎式智能体架构——BDI（Belief-Desire-Intention，信念—愿望—意图）：

信念（Creencias/Beliefs）：智能体对环境的知识集合，可组织为知识库或一组规则，用于在特定环境情境下做推理；
愿望（Deseos/Desires）：智能体想做什么，即它的目标。例如前述个人助理智能体的目标是预订度假套餐，而酒店智能体的目标则是最大化利润；
意图（Intenciones/Intentions）：智能体为达成目标而规划的具体行动。这些行动通常改变环境，并引发与其他智能体的通信。

此外，课程还提到构建多智能体系统的可用平台，如 JADE，并推荐了一篇综述论文（arXiv 2007.08961），其中包含多智能体平台回顾、系统简史及多种使用场景。

结论、课后挑战与作业

结论：多智能体系统可以呈现非常多样的形态、应用于众多不同场景；它们都聚焦于单个智能体的简单行为，并借助协同效应（efecto sinérgico）使整体系统涌现出更复杂的行为。

课后挑战（🚀 Challenge）：把本课知识带到现实世界，尝试构思一个能解决实际问题的多智能体系统。例如：

多智能体系统要优化一条校车线路，需要做些什么？
它如何在一家面包店中运转？

复习与自学（Review & Self Study）：调研此类系统在工业界的应用——选择一个领域（如制造业或游戏行业），了解多智能体系统如何解决该领域的独特问题。

配套作业（NetLogo Assignment）：课程配套了作业文件（西班牙语版见 translations/es/lessons/6-Other/23-MultiagentSystems/assignment.md），要求：

从 NetLogo 模型库中选取一个模型，尽可能真实地模拟一个现实情境——一个很好的例子是调整 "Alternative Visualizations" 文件夹中的Virus 模型，用它建模 COVID-19 的传播：你能否构建一个模仿真实病毒传播的模型？
保存副本并制作一段视频演示，解释该模型与现实情境之间的关联。

完成本课学习后，你可以回到课程主目录 README.md，按 24 课的整体路线继续探索；本节所属的 6-Other 板块还包含遗传算法（21-GeneticAlgorithms）与深度强化学习（22-DeepRL）等同样"从简单规则涌现复杂行为"的 AI 方法，可作为延伸阅读。