为什么Multi-Agent多智能体系统终将失败？（伯克利论文）

研究背景

1. 研究问题

• 这篇文章要解决的问题是多智能体大语言模型（LLM）系统（Multi-Agent LLM systems，简称MAS）在性能上与单智能体框架相比提升甚微的原因。尽管MAS在处理复杂多步骤任务和与不同环境动态交互方面具有潜力，但在流行基准测试中其准确性或性能的提升仍然有限。
• 研究难点
• 该问题的研究难点包括：如何全面分析阻碍MAS有效性的挑战；如何确定导致MAS失败的多种故障模式；如何提出有效的改进措施以提高MAS的性能和可靠性。
• 相关工作
• 在代理系统挑战方面，已有研究针对特定的代理挑战提出了相关解决方案，如通过引入工作流内存解决长视距网络导航问题，但这些工作没有全面理解MAS失败的原因，也没有提出可广泛应用于各领域的策略。
• 在代理系统设计原则方面，一些研究强调了构建强大代理系统的挑战，并提出了新的策略，但这些研究主要集中在单代理设计上，对MAS的全面故障模式研究不足。
• 在LLM系统中的故障分类方面，对LLM agent失效模式的专门研究有限，本文的研究填补了这一空白，提供了对MAS故障模式的开创性研究。

总体结论

论文的研究结果表明，MAS的失败不仅仅是由于LLM的局限性，更重要的是MAS设计中存在的结构性缺陷。未来的研究应着重于改进MAS的设计原则和组织结构，以提高其可靠性和性能。论文的主要贡献包括：

1. 引入了MASFT，这是第一个基于经验的MAS故障分类法，为理解和减轻MAS故障提供了一个结构化框架。
2. 开发了一个可扩展的LLM-as-a-judge评估流程，用于分析新的MAS性能和诊断故障模式。
3. 针对代理规范、对话管理和验证策略开展了干预研究，尽管取得了一定改进，但凸显了结构性MAS重新设计的必要性。
4. 开源了相关数据集和工具，为MAS的进一步研究提供了便利。

研究方法

这篇论文提出了多智能体系统故障分类法（MASFT），用于解决多智能体大语言模型系统失败的问题。具体来说，

1. 数据收集与分析
• 采用理论抽样方法选择多样化的多智能体系统和任务集，收集了五种流行的开源MAS的150多条对话轨迹进行分析。每条轨迹平均超过15,000行文本。
• 故障模式识别与分类法构建
• 规范和系统设计故障：包括不服从任务规范（15.2%）、不服从角色规范（1.57%）、步骤重复（11.5%）、对话历史丢失（2.36%）、未意识到终止条件（6.54%）等。
• 代理间错位：包括对话重置（5.50%）、未能澄清（2.09%）、任务脱轨（5.50%）、信息隐瞒（6.02%）、忽略其他代理输入（4.71%）、推理 - 行动不匹配（7.59%）等。
• 任务验证和终止：包括过早终止（9.16%）、无或不完整验证（3.2%）、错误验证（3.3%）等。
• 通过理论抽样、开放式编码、持续比较分析、备忘和理论化迭代收集和分析数据，识别出14种不同的故障模式。
• 将故障模式聚类为3个主要故障类别：
• 通过三位专家annotator独立标记15条轨迹，实现annotator间一致性，Cohen’s kappa得分为0.88，不断迭代调整故障模式和故障类别，最终形成结构化的MASFT分类法。
• 自动评估流程开发
• 引入使用OpenAI的O1的LLM-as-a-judge流程进行可扩展的自动评估。在10条轨迹上与三位人类专家annotator交叉验证，获得0.77的Cohen's kappa一致性率。

实验设计

1. 数据收集：分析了五种流行的开源MAS（Metagpt、Chatdev、Hyperagent、Appworld、Ag2），涉及150多个任务，雇用了六位专家annotator参与研究。
2. 样本选择：选择了具有代表性的多智能体系统和任务，涵盖了不同的应用场景和系统结构，以确保研究结果的广泛适用性。
3. 参数配置：在实验过程中，对不同的MAS系统进行了详细的分析和评估，包括对其执行轨迹的跟踪和分析，以及对各种故障模式的识别和分类。

实证数据



系统名称	成功率	失败率	测试场景
MetaGPT	66.0%	34.0%	programdev
ChatDev	25.0%	75.0%	programdev
HyperAgent	25.3%	74.7%	SWE-bench lite
AppWorld	13.3%	86.7%	test-c
AG2	84.8%	15.2%	GSM-Plus

结果与分析

1. 故障模式分析
• 通过详细的分析和评估，确定了14种不同的故障模式，并将其归类为3个主要故障类别。这些故障模式在不同的MAS系统中普遍存在，导致了系统性能的下降和任务失败率的增加。
• 例如，在规范和系统设计故障类别中，不服从任务规范和角色规范的故障率较高，分别为15.2%和1.57%；在代理间错位类别中，对话重置和推理 - 行动不匹配等故障模式也较为常见。
• 与现有系统对比
• 将最先进的开源MAS Chatdev的正确性与GPT - 4o和Claude - 3进行对比，结果显示Chatdev的正确性可能低至25%，表明MAS在与现有先进模型相比时仍存在较大的性能差距。
• 干预措施效果
• 实施了两种干预措施：改进代理角色的规范和增强编排策略。对Ag2的案例研究和Chatdev的实验表明，尽管这些干预措施为Chatdev带来了+14%的改进，但它们并不能解决所有故障情况，且改进后的性能对于实际部署来说仍然不够好。