LLM Agent提效揭秘4:多智能体协作工作流深度剖析_多智能体协作agent

在此之前，我们已经从论文到代码深度解读了吴恩达：GPT-4+Agents Workflow，性能比肩GPT-5的三种大语言模型Agent工作流：反思、工具使用和规划。今天我们将深入最后一种Agent工作流：多智能体协作工作流。

想象一个未来，不是单一的机器在孤岛般运算，而是众多智能体如同交响乐团成员，各司其职，共谱技术乐章。这正是多智能体协作工作的魅力所在：它将复杂的任务解构，分配给专精的代理，再以自然语言为桥梁，缝合各部分，成就整体的高效执行。

合作使我们能够知道比我们自己所能知道的更多。它赋予我们不同的思维方式，让我们接触到原本无法获得的信息，并在我们共同努力实现共同目标的过程中将想法结合起来。-- Paul Solarz

在人类社会中，合作是智慧的放大器，它聚合了个体的独到见解，催化出超越个体边界的集体智慧。而在人工智能的疆域内，这一原理亦被赋予了新的生命——通过多智能体协作工作流，大型语言模型（LLMs）正解锁前所未有的协同潜能。本文将带您深入这一前沿领域，剖析三篇重量级论文，透视多智能体如何在LLM中编织出新的效率与创造力网络。

相信你一定听说过Devin AI，全球第一个AI工程师，号称只需一句指令，它可端到端地处理整个开发项目，它曾一度爆火全球。清华大学开发的ChatDev更是受到吴恩达点赞。ChatDev模拟一家虚拟软件公司，它通过扮演不同角色的各种智能代理运作，包括首席执行官、首席产品官、首席技术官、程序员、审核员、测试员、美术设计师。这些代理形成了一个多代理组织结构，并以“通过编程革新数字世界”的使命团结在一起。ChatDev 内的代理通过参加专门的功能研讨会进行协作，包括设计、编码、测试和文档编写等任务。

在技术圈里，我们经常听到“分工合作”这个词，它就像是高效协作的黄金法则。那么，当这个概念应用到大型语言模型（LLM）上，又会产生怎样的火花呢？你可能会好奇，既然用的是同一个LLM，为什么还要把它拆分成不同的Agent来协作呢？这不是多此一举吗？

其实不然。想象一下，如果把一个团队里的角色混为一谈，比如让一个程序员同时担任产品经理的角色，那他们可能在项目初期就会陷入无尽的争论。同样，在LLM的世界里，给一个Agent同时设定多个角色，也会导致混乱。毕竟，一个精准的Prompt需要明确Agent的角色和任务，如果角色模糊不清，LLM也难以准确捕捉到你的意图。

在Prompt Engineering的世界里，我们强调Prompt需要精确、详尽，最好还能配上示例。试想一下，如果把两个可能会“打架”的角色放在一起，LLM又怎能清晰理解并执行任务呢？尤其是当你给LLM加上了记忆库，如果角色不明确，LLM只会在混乱中迷失方向。

因此，将LLM拆分成多个Agent，让每个Agent专注于自己的细分领域，不仅理论上可以提高性能，实际上也确实能够带来显著的效果。每个Agent都有自己的专长，像一个精密的齿轮，只有当它们各司其职，整个系统才能高效运转。这样的协作方式，就像是一支训练有素的团队，每个人都清楚自己的职责，共同推动项目向前发展。

本文我们从吴恩达教授推荐的三篇论文入手。

• Communicative Agents for Software Development ChatDev的论文
• AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation
• MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework

1. ChatDev

这篇论文介绍了一个名为ChatDev的虚拟聊天驱动的软件开发公司，该公司利用大型语言模型（LLMs）来推动整个软件开发过程。ChatDev模仿了传统的瀑布模型，将开发过程细分为设计、编码、测试和文档编制四个不同的阶段。每个阶段都涉及一组“软件代理”，包括程序员、代码审查员和测试工程师，他们通过协作对话促进无缝工作流程。

从上图可见，流程和常规的软件开发流程基本一致，从设计、编码、测试到文本（上线）。角色分配细化到专业，不仅有编码工程师，还有代码审查员，还引入了我们之前讨论的[LLM-Agents]反思Reflection 工作流来进一步提升决策的准确性。实验分析了ChatDev响应70个用户需求产生的所有软件，平均生成17.04个文件/软件，平均软件生产时间为409.84秒，制造成本仅仅0.2967美元。审查员和程序员之间的讨论导致了近二十种代码漏洞的识别和修改，而测试员和程序员之间的讨论则识别和解决了十多种潜在的错误。有意思的是，他们用ChatDev编写了一个五子棋游戏。

2. MetaGPT

MetaGPT，这是一个基于先前验证过的推理和行动计划框架，如ReAct和Reflexion，进一步升级的元编程框架。它不仅继承了前者的优点，更是在处理复杂软件工程任务方面，展现出了令人瞩目的能力。MetaGPT的核心在于它创新性地引入了结构化的工作流程和专门化的角色分配。这就像是在工厂中，每个工人都有自己特定的任务，大家协同作业，以流水线的方式高效完成生产。MetaGPT正是借鉴了这一理念，通过将代理分配到特定角色，并采用类似装配线模式的任务分配，极大地提升了任务分解和执行的效率。而且，MetaGPT还整合了类似于人类的标准操作程序（SOPs），这就像是给了每个角色一本操作手册，确保了工作流程的简化、错误的减少，以及解决方案的连贯性。这一点在软件工程中尤为重要，因为它直接关系到代码的质量和项目的成功率。（MetaGPT的架构中Engineer是一个黑人，到底是干苦力的，哈哈哈