什么是多智能体系统？
多智能体系统（亦称智能体团队）是指通过协同工作解决复杂问题的专业智能体的集合。每个智能体在执行不同任务时都扮演着特定角色，共同致力于实现一个共同目标。
多智能体系统如何工作？
用户输入请求时 AI 智能体团队如何运作。
何时应考虑采用多智能体系统？
通过集成，多个自主智能体可以构成涵盖人工接触点、决策树和并行作业流程的工作流。
对于现代软件团队而言，如何在生产支持与路线图的如期交付之间取得平衡始终是一个难题。多智能体系统能够通过复制高绩效工程部门的协作工作架构来缓解这种压力。
为了最大限度地提高生产力，可以设计一个智能体团队来：
- 使用自然语言处理响应错误请求，并向用户提出澄清性问题，以减少审查大量错误所需的资源
- 参考和分析过往错误，进行相似性匹配，并自动创建新的错误工单供人工审查，以简化优先级分配
- 通过生成代码建议、协调代码审查和重现测试用例来提供工程协助，供人工验证和集成
多智能体系统可以通过添加 AI 保障措施来防止意外结果。这与现代工作场所中开发团队的典型运作方式非常相似。
要点：多智能体系统通过执行高阶规划、推理和编排来工作。AI 智能体团队进行自然语言对话，处理复杂任务，并支持人类团队进行决策制定和完成任务。
多智能体系统的应用与用例
多智能体系统对具有以下特征的企业组织影响最大：
- 面临高要求、不断增长的工作负载，如管理端到端软件工作流程、提供全球电信运营客户服务和管理患者医疗健康
- 必须监控和分配受控智能，如自动驾驶汽车安全和智慧城市中的智能交通系统
- 需要基本容错能力，如协调灾难响应和管理电力供应网络
使用多智能体系统有什么好处？
挑战和解决方案
如果不具备维持多智能体系统高效运转所需的专业工具、统一编排以及护栏，要达成预期的最终目标将面临巨大挑战。
快速链接
协调和冲突操作
当多个智能体执行共享任务时，若缺乏统一规划与共享状态，则这些智能体极易重复执行作业，或做出相互冲突的变更。
解决方案：
- 使用统一编排层（担任中央“指挥”的智能体或结构化层级架构）来负责任务路由、强制共享上下文，并在操作指令真正触达生产环境之前解决潜在冲突。
可观测性、调试和漂移
随着团队引入更多智能体，要查明系统产生特定行为的原因，或是弄清输出质量为何开始发生漂移，将变得愈加困难。
解决方案：
- 为智能体的每一个操作步骤实施遥测、追踪与评估，并引入护栏智能体来监控中间状态，实现端到端的决策日志记录。
安全性、数据安全与治理
自主智能体能够链式调用工具、编写代码，或处理敏感数据，若不加以约束，将推高风险。
解决方案：
- 添加专用的安全与策略智能体，将风险行为沙盒化，并采用统一的治理框架，界定哪些智能体可以在何种条件、何种环境下执行哪些操作。
AI 智能体编排在多智能体系统中的作用
AI 智能体编排是使通常独立运行的多个智能体或工具能够协同工作以实现共同目标的过程。这种协调有利于多智能体系统高效管理和执行更复杂的任务。
编排 AI 智能体团队有几种方式：
| 编排类型 | 说明 | 优势 | 挑战 | 用例示例 |
集中式 |
单一监督者智能体协调任务、数据流和决策制定。 |
控制清晰 管理简化 决策一致 |
可能出现瓶颈 对动态系统适应性较差 |
客户关系管理 (CRM) |
去中心化 |
每个智能体自主运行，与其他智能体共享信息。 |
高度灵活性 适应动态环境 |
需要复杂的通信协议 复杂度较高 |
无人机蜂群用于实时送货 |
联合式 |
多个智能体系统使用共享协议跨企业组织进行协作。 |
促进跨系统协作 利用系统优势 |
高度依赖互操作性和共享标准 |
企业间的供应链协作 |
分层式 |
分层结构中的高级别智能体对低级别智能体进行监督。 |
平衡灵活性和监督 适合复杂系统 |
跨层协调可能复杂 可能存在依赖延迟 |
采用分层控制的工业自动化 |
可以将编排视为多智能体系统控制框架。编排为在多智能体系统中实现可扩展性、高效率和适应性奠定了基础。通过让多个智能体高效协作并共享资源，编排可为以下方面提供支持：
- 动态解决问题：根据不断变化的条件或意外挑战做出调整
- 改善资源利用：优化智能体访问和使用工具与数据的方式
- 增强系统可靠性：减少冲突并确保一致的结果
- 系统访问控制：限制智能体可以执行的操作以减少错误和滥用风险
- 保护信息：确保只有授权的智能体和用户才能访问或处理敏感数据
智能体编排对物流、自主系统、网络安全和企业自动化等行业至关重要，在这些行业中，无缝的多智能体协作是成功的关键。
构建多智能体系统的技巧
在设计多智能体系统时，遥测、日志记录和评估等因素对提高响应准确性和改善业务成果至关重要。
构建高性能智能体生态系统需考量的核心要素：
- 互操作性和智能体通信，使智能体可以使用最适合任务的智能体框架编写，但仍能作为团队协同工作
- 监控与性能优化，这涉及对系统配置进行精细调优，以优化实时数据采集与处理，并利用遥测技术报告系统健康度指标
- 用于调试、可追溯性和审计的评估和可观察性
AI 智能体框架为专用开发平台或库，旨在简化 AI 智能体的构建、部署和管理流程。为了补充 LangChain 等主流智能体框架，NVIDIA 的 AI 软件解决方案采用开源设计，旨在兼容前沿 API 以及包括 NVIDIA Nemotron 在内的开源模型，确保开发人员能够随着需求变化，将不同模型接入同一个多智能体工作流中。
通过抽象创建代理式 AI 系统的复杂性，开发者可以专注于微调其应用和更新智能体行为。减少在技术实施上花费的时间，使开发者能够专注于满足业务需求的改进。
此外，开发者也可以选择从 NVIDIA AI-Q Blueprint 入手，利用这一预配置的参考架构来设计多智能体系统。该架构支持意图路由以及浅层与深层智能体的协同，将一切整合为紧密协作的流水线。该 Blueprint 提供生产就绪型基础框架，使开发人员得以快速启动复杂推理任务的编排，无需从零开始构建底层的通信层。
代理式 RAG 如何增强多智能体系统
数据驱动现代企业应用，但数据的规模和数量使其使用变得过于昂贵和耗时。因此，大多数生成式 AI 应用利用的数据集相对于存储和生成的专有知识量来说较小。
要在 AI 时代蓬勃发展，工作团队必须与企业知识相连接，这需要使用大量数据。这一点无法依靠传统的计算和数据处理技术来实现。
每个企业都需要代理式检索增强生成 (RAG)。实施代理式 RAG 可以将智能体团队连接到企业知识。能够感知、推理和行动的多智能体系统将把这些知识转化为解决问题的行动。
为了让 AI 智能体能够访问大量不同的数据，它们需要一个加速的 AI 查询引擎，该引擎可以高效处理、存储和检索数据以增强生成式 AI 模型输入。RAG 现在已经普遍使用。
与仅揭示作者身份和时间戳等表面细节的传统元数据分析不同，AI 可以摄取和解释数据的完整内容。这使得能够更深入地理解信息本身的上下文、含义和模式。
代理式 RAG 功能
代理式 RAG 必须能够：
- 访问跨结构化、半结构化和非结构化数据及元数据源的知识，包括文本、PDF、图像、视频和专业数据类型
- 高效处理 PB 级规模，使所有知识能够快速用于生成的 AI 赋能的应用和智能体
- 提供高准确度、高性能的多源知识检索和重新排序，以高效增强生成式 AI 模型的输入
- 存储和利用生产中 AI 赋能的应用和智能体的学习成果，自动增加企业知识并创建 AI 数据飞轮
后续步骤
编码教程：使用 Nemotron 构建 RAG 智能体
获取分步操作指南，了解如何直接在 Web 浏览器中设计和部署 RAG 智能体 — 无需 GPU 即可运行。
使用开放模型、数据集和技术
探索 NVIDIA Nemotron™ 开源模型如何与前沿模型协同工作，在保持先进性能的同时提供专业能力。
加入社区
订阅 NVIDIA AI 新闻并加入开发者社区，及时了解关于前沿模型、代理式 AI 和 NVIDIA 技术的最新信息。
