本文由西安交通大学 MOE KLINNS Lab 联合华中师范大学、联想人工智能技术中心、悉尼大学等机构的研究者共同完成。共同第一作者为齐世豪、马杰、邢瑞、郭威、黄潇，通讯作者为来自西安交通大学网络空间安全学院的马杰特聘研究员（副教授）。

过去两年，AI 智能体正在从「会对话的模型」变成能够理解任务、拆解步骤、调用工具、维护记忆并根据反馈调整行为的系统。当任务复杂到单个智能体难以完成时，研究者开始把多个智能体组织起来，让它们分工协作。 但系统规模扩大后，问题也随之复杂。

任务失败时，错误可能来自智能体能力、角色分配、通信过程、工具调用，也可能在多轮交互中被逐步放大。更进一步，系统能否根据失败经验调整角色、通信结构或协作流程，仍是当前研究面临的重要问题。

围绕这些问题，研究团队撰写了一篇系统综述，面向 LLM 多智能体系统提供了一个完整的观察框架：从单个智能体的能力基础，到多智能体协作，再到系统失败后的归因，以及基于失败经验的自我演化。

论文标题：Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems 论文链接： https://arxiv.org/abs/2605.14892 项目仓库： https://github.com/mira-ai-lab/awesome-mas-life

图 1：LIFE 框架总览图

一、多智能体系统，不只是「多几个 Agent」

今天的 LLM 智能体，已经不再是简单的输入输出模块。围绕大语言模型，研究者加入了推理、记忆、规划、工具使用等机制，使其能够理解任务、制定计划、调用外部工具，并根据执行结果调整后续动作。这些能力构成了多智能体系统的基础。推理能力决定智能体能否处理复杂指令，记忆能力决定它能否利用历史信息，规划能力决定它能否拆解长程任务，工具使用能力则决定它能否突破模型自身的知识和执行边界。

如果缺少稳定的单体能力，多智能体协作很容易变成多个不稳定模块的叠加。协作并不会自动带来更强的智能，反而可能放大错误、增加沟通成本，并让系统表现更难预测。

图 2：LLM-based Agent 的能力模块示意图

二、协作：让智能体从个体走向组织

多智能体系统的核心首先是协作。

在现有研究中，协作机制通常围绕角色、通信、调度和交互模式展开。角色决定不同智能体的职责，通信决定信息如何在智能体之间流动，调度决定任务如何推进，交互模式则与具体任务密切相关。代码生成、科学发现、网页操作、复杂问答、游戏环境，对协作方式的要求并不相同，很难依靠一种固定流程覆盖所有场景。

这些设计让智能体从「单点能力」进入「组织能力」。它们不再只是各自输出答案，而是通过分工、沟通和调度共同完成更复杂的目标。与此同时，协作也会放大系统的不确定性。一个早期判断可能影响后续分工，一次不完整的信息传递可能改变整个任务路径，一个工具调用错误也可能被后续智能体继续引用。多智能体系统越像一个组织，就越需要理解组织内部的问题从何而来。

图 3：多智能体协作中的角色、通信与调度结构

三、归因：理解失败，而不只是记录失败

在单智能体系统中，失败往往可以回到一个相对清晰的输入输出过程里分析。但在多智能体系统中，失败很少只来自一个孤立步骤。一个早期错误判断可能影响后续任务分解，一次不准确的工具调用也可能被后续智能体当成可靠证据继续使用。

因此，多智能体系统需要的不只是最终评测分数，还需要对失败过程的分析。故障归因要追问的是：失败发生在哪个阶段？涉及哪些智能体？错误来自能力不足、角色设计、通信机制、调度策略，还是环境交互？错误又是如何在系统内部传播的？

现有很多研究更关注如何构造协作流程、如何提高最终性能，却较少讨论系统失败之后如何诊断。但如果没有归因，多智能体系统的改进就很容易变成盲目试错。系统表现不好，并不直接说明应该改模型、改提示词、改角色分工、改通信协议，还是改整个组织结构。在这篇综述中，归因被放在协作与演化之间，作用是把系统失败转化为可诊断、可修复的问题。

图 4：多智能体系统中的错误传播与故障归因示意图

四、自我演化：从修正输出，到改进系统

如果归因关注「哪里出了问题」，自我演化关注的则是「系统如何因此变得更好」。很多智能体系统已经引入了反思机制：模型总结失败原因，修改下一轮回答，或者调整提示词。这类方法有价值，但对于多智能体系统来说还不够。

因为多智能体系统的改进对象不只是某个智能体的输出，也可能是整个系统结构。

Agentic Self-Evolution：面向单个智能体自身的演化，主要更新提示词、记忆或参数等内部组件，让智能体在后续任务中表现得更稳定。 Systemic Self-Evolution：面向多智能体系统内部结构的演化，关注通信拓扑、智能体组合、共享记忆等系统级组件，让多个智能体之间的协作方式能够随任务和反馈调整。 Meta Self-Evolution：面向系统设计空间的演化，通过积累历史设计经验或训练生成器，自动产生更适合不同任务的多智能体架构。

这意味着，多智能体系统的自我演化并不只是「让模型反思」一下。它更接近一种系统级调整：根据任务表现和失败反馈，持续修改自身的行为、结构和协作方式。

图 5：从失败归因到系统自我演化的闭环

五、LIFE 框架：理解多智能体系统的完整生命周期

这篇综述提出的 LIFE progression，可以理解为对 LLM 多智能体系统运行过程的一种梳理。它包含四个连续阶段：

Individual Intelligence：个体智能，关注单个智能体的推理、记忆、规划和工具使用能力； Multi-Agent Collaboration：多智能体协作，关注角色、通信、调度和交互机制； Failure Attribution：故障归因，关注系统失败后的定位、解释和诊断； Self-Evolution：自我演化，关注系统如何根据反馈持续调整自身。

以往综述往往分别讨论个体能力、多智能体协作或自我改进。LIFE 框架则把这些方向放到同一个生命周期中观察：个体能力提供协作基础，协作机制带来系统级复杂性，故障归因让失败过程变得可分析，自我演化则把诊断结果转化为后续改进。

因此，LIFE 关注的不只是「有哪些方法」，而是一个多智能体系统如何运行、如何失败，以及如何在失败之后调整。

六、未来展望

LLM 多智能体系统已经展示出处理复杂任务的潜力，但要走向长期可靠的应用，仍需要在几个关键方向上继续推进。

更全面的评测体系：现有评测仍然偏重任务成功率，而多智能体系统还需要考察通信效率、角色贡献、错误传播、环境适应性和长期稳定性。 更灵活的协作结构：当前很多系统仍依赖人工设定角色、流程和通信方式。未来的系统需要根据任务需求动态调整组织方式，包括角色分配、通信路径、调度策略和协作结构。 更有效的归因与修复闭环：多智能体系统的失败往往跨越多个角色和多轮交互。归因的价值不应停留在解释错误，而应进一步指导系统修复，例如调整提示词、重新分配角色、修改工具调用方式或优化整体流程。 更可控的自我演化机制：当系统开始调整自身结构时，效率、安全和对齐问题会变得更加重要。未来的自我演化不能只是搜索更高性能的结构，还需要在成本、稳定性和可控性之间取得平衡。