多代理系統的成敗關鍵：問題不在模型智慧，在於溝通協議

當我們建構的多代理（Multi-agent）系統產出不符預期的結果時，最直覺的反應往往是檢討單一代理人的提示（prompt）不夠精確，或是底層模型（如 GPT-4 或 Claude 3）不夠聰明。然而，經過多次的實踐與除錯，我發現真正的問題根源，時常不在於個別節點的智慧，而在於資訊在節點之間傳遞時，上下文與意圖的嚴重損耗。這是一個系統性的溝通問題，而非單點的智慧問題。將視角從「優化單一代理人」轉向「設計高保真度的溝通協議」，才是提升複雜 AI 系統穩定性與可靠性的核心關鍵。

為什麼精心設計的代理人管線，仍會產出糟糕的結果？

一個常見的多代理工作流，可能是將一個複雜任務拆解成幾個連續的階段，例如：研究員（Researcher）、分析師（Analyst）、審稿人（Reviewer）。每個代理人都有明確的職責與指示。理論上，這應當能產出高品質的成果。但在實務中，我們卻常常看到令人失望的結果：

• 事實遺失：研究員代理人在第一階段發現的關鍵洞見或數據，在經過分析師的總結後，並未傳遞給最終的審稿人。
• 資訊扭曲：原始數據的細微差別或不確定性，在層層轉述中被放大或簡化，最終變成一個過於武斷或錯誤的結論。
• 無效幻覺：最終報告中出現了來源不明的數值或論據，彷彿是代理人在資訊不足的情況下自行「腦補」的結果。

即使給定完全相同的輸入，系統的輸出也可能時好時壞，穩定性極差。起初，我們會花費大量時間去微調每個代理人的系統提示，或是嘗試更換更強大的模型。但這些努力往往治標不治本，因為問題的核心不在於代理人「不理解」自己的任務，而在於它們「沒收到」執行任務所需的完整資訊。這就像一場資訊傳遞的「超級比一比」，每經過一個環節，訊號就衰減一次。

多代理系統的真正瓶頸在哪裡？

日本開發者 en3_hclab 在一篇文章中，精準地指出了這個困境。他認為，我們應該區分「多代理（Multi-agent）」與「子代理（Sub-agent）」的概念。前者是多個獨立決策的代理人互動，後者則更像是一個線性管線（pipeline）中的功能模組。在後者的情境下，我們面對的其實不是一個社會學上的協作問題，而是一個更經典的分散式系統的通訊與狀態管理問題。

我們面對的不是單一代理人的智慧問題，而是一個分散式系統的通訊與狀態管理問題。最終輸出的品質，取決於流經整個系統的「上下文完整性」（Context Integrity）。

當研究員代理人將它的發現以一段自然語言文字傳遞給分析師時，那些隱含在字裡行間的背景、信賴度、資料來源、以及未被言明的探索路徑，都大量流失了。分析師代理人收到的，只是一份扁平化的文本，它無從得知哪些是核心發現、哪些是次要資訊。這種資訊損耗，隨著管線的加長，會以指數級的方式惡化。正如在 Chain-of-Thought 推理中，中間步驟的遺失會直接導致最終結論的崩潰。

如何設計高保真度的代理人溝通協議？

要解決這個問題，我們必須將設計重心從「提示工程」轉向「架構設計」。目標是建立一個能最大限度保存上下文完整性的溝通協議。這意味著代理人之間傳遞的，不應該只是最終的文字結論，而是一個更豐富、結構化的「狀態物件」。以下有幾個實務上可行的方向：

1. 結構化狀態傳遞 (Structured State Passing)
與其讓代理人之間用自然語言對話，不如定義一個嚴格的資料結構（例如 JSON Schema），強制資訊以結構化方式傳遞。這個物件不僅包含結論，更應包含：

• 原始資料來源與引用連結。
• 每個論點的信賴度分數（Confidence Score）。
• 生成該結論的推理路徑或中間步驟。
• 被捨棄但可能相關的替代方案。

2. 共享記憶體或全域上下文 (Shared Memory / Global Context)
建立一個所有代理人都能存取的「黑板系統」（Blackboard System）或共享資料庫。每個代理人不僅執行自己的任務，也將其發現與中間產物寫回這個共享空間。後續的代理人可以讀取完整的歷史紀錄，而不僅僅是前一個代理人的單向輸出。這也是 Microsoft AutoGen 這類多代理人框架中常見的設計模式。

3. 引入回饋與驗證迴圈 (Feedback and Verification Loops)
打破嚴格的線性管線，允許後段的代理人向前段的代理人提出質疑或請求補充資訊。例如，審稿人代理人若發現一個可疑的數據，它可以觸發一個回溯查詢，直接向研究員代理人請求原始證據。這將單向的瀑布式流程，改進為一個更具韌性的互動式網路。相關研究如 Self-Correction 機制，已經證明了這類迴圈的價值。

總結來說，建構強健的多代理系統，其挑戰與傳統軟體工程有著驚人的相似之處。我們需要更少的「黑魔法」式的提示調整，以及更多的系統化思考，包括清晰的介面定義、可靠的狀態管理、以及容錯的通訊機制。

當我們開始將 AI 代理人視為一個需要嚴謹通訊協議的 API 端點，而不是一個需要哄勸的黑盒子時，我們才真正走在通往可靠 AI 系統的正確道路上。這不僅是技術上的演進，更是思維框架上的根本轉變，對於任何想在 AI Agent 領域進行嚴肅開發的團隊來說，都是一個必須正視的課題。

延伸閱讀

• マルチエージェントの情報基盤を考える
• Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
• Microsoft AutoGen Official Documentation
• A Survey on Large Language Model based Autonomous Agents
• Tree of Thoughts: Deliberate Problem Solving with Large Language Models

我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。