多代理系統的下一步：從預設流程圖到動態遞迴分工
目前的多代理系統，常依賴我們預先畫好的流程圖來協作。但如果系統能根據任務的複雜度，動態生成解決問題的團隊呢？一個名為 ReDel 的新框架，正在探索這種「遞迴分工」的可能性。這或許才是讓 AI Agent 真正處理複雜、開放式問題的關鍵一步，讓它們從單純的執行者，進化為能夠自主規劃與組織的協作者。
當前圍繞多代理系統（Multi-Agent Systems）的討論，常聚焦於如何設計更精巧的協作流程，彷彿只要將流程圖畫得越細，系統就越強大。但我認為這條路很快會遇到瓶頸。真正的分水嶺，在於系統能否擺脫人類預設的靜態結構，根據任務的實際複雜度，動態地、遞迴地自我組織與分工。這意味著系統不僅是執行者，更是自身的管理者。近期學界提出的 ReDel 框架正是在探索此方向，這不僅是技術的演進，更是我們對 AI 協作模式思考的根本轉變。
目前多代理系統的瓶頸在哪裡？
近年來，以 AutoGen 或 CrewAI 為代表的多代理框架，讓我們得以輕易地定義一群各司其職的 AI 代理，並讓它們按照預設的流程（例如：規劃-編碼-測試-修正）協作。這種模式在處理邊界清晰、流程固定的任務時非常有效，就像一條精心設計的工廠產線，每個站點的任務都很明確。
然而，這種「靜態委派」的結構有其天生的限制。它要求開發者在事前就完全理解問題的結構，並手動設計出最佳的角色與互動模式。
但現實世界中的複雜問題，例如「為一款新產品撰寫一份全面的市場分析報告」，其內部的子任務與所需角色，在開始之前往往是模糊不清的。我們無法預知報告需要深入到哪個行業、需要分析哪些競爭對手、需要建立什麼樣的財務模型。用固定的流程圖去應對這種開放式問題，就像試圖用一張地圖去探索一片未知的叢林，很快就會發現地圖跟不上實際的地形變化。
這種模式的瓶頸在於，它將「組織結構」的設計責任完全放在人類身上，而 AI 代理僅僅是流程圖中的被動執行者。這限制了系統的自主性與適應性，使其難以處理真正複雜、動態變化的任務。
ReDel 如何實現動態遞迴分工？
為了解決這個問題，賓州大學的三位研究者 Andrew Zhu、Liam Dugan 與 Chris Callison-Burch 在 2024 年 8 月發表的一篇論文中，提出了一個名為 ReDel (Recursive Delegation) 的開源框架。這篇即將在 EMNLP 2024 會議上發表的論文，其核心思想非常直觀卻強大：讓代理擁有自我組織的能力。
在 ReDel 的設計中，一個代理接收到任務後，會先評估其複雜度。如果任務過於龐大或複雜，它無法獨自完成，這個代理就會轉變為「管理者」的角色。它會將原任務分解成數個較小的子任務，然後「生成」新的子代理來分別處理這些子任務。這個過程可以不斷遞迴下去：如果某個子代理發現自己的任務依然太複雜，它也可以搖身一變成為管理者，繼續向下分工。
這種模式就像一個高效的組織，CEO 不會直接管理基層員工。他將目標分解給副總，副總再拆解給總監，層層下放。ReDel 讓 AI 系統能根據任務需求，動態地建立起這樣一個臨時的、量身訂做的組織樹。
這個遞迴分工的過程，會形成一個樹狀的代理層級結構。底層的代理專注於執行具體的原子任務，而上層的代理則負責監督、整合下層的產出，最終匯總成完整解答。整個協作結構是在任務執行過程中動態生成的，而非事前寫死。
為什麼遞迴分工是真正的分水嶺？
從靜態流程轉向動態遞迴，看似只是委派方式的改變，但我認為這是一次質變。這代表我們對 AI 代理的定位，從「工具」轉向了「協作者」。這背後的意義，類似於從傳統的循序執行程式，演進到能夠自我調度的多執行緒作業系統。
遞迴分工的價值在於它賦予了系統「適應性」。面對一個簡單任務，系統可能只用一個代理就解決了；面對一個極度複雜的任務，它能動態擴展出一個深達數層、包含數十個代理的龐大團隊來應對。這種能力，讓 AI 系統在處理開放式問題時，展現出前所未有的彈性與潛力。
我們可以從結構、優點與缺點來比較這兩種模式：靜態委派模式，其結構由人類預先定義角色與協作流程，優點是結構清晰、結果可預測，適合解決流程固定的問題。然而，它的缺點在於缺乏彈性，難以應對未知或動態變化的複雜任務。相較之下，動態遞迴委派模式的結構則是由代理根據任務複雜度，動態生成子代理與層級結構。這賦予了它極大的彈性與擴展性，能自主適應問題的規模，更接近人類的組織協作模式。當然，這種高度自主性也帶來挑戰，例如控制性較差，且對代理本身的規劃與分解能力要求極高。
當然，這種模式也對大型語言模型（LLM）本身提出了更高的要求。代理必須具備精準的任務分解能力、良好的判斷力（判斷何時該分工），以及有效的成果整合能力。這也呼應了近年來從 Chain of Thought 到 Tree of Thoughts 的研究趨勢，都是在探索如何讓模型進行更複雜、更有結構的推理。
總結來說，ReDel 這類遞迴分工框架，為多代理系統的發展指出了新的方向。它讓我們看到，真正的智慧協作，或許不在於設計出多麼完美的流程圖，而在於賦予系統自我組織、動態適應的能力。這條路雖然更具挑戰，但它通往的是一個能夠自主解決未知複雜問題的未來，這也正是我在建構 Agentic Systems 時持續關注的核心命題。
延伸閱讀
- ReDel: A Toolkit for LLM-Powered Recursive Multi-Agent Systems (Zhu, Dugan, Callison-Burch, 2024)
- LLM-powered Autonomous Agents by Lilian Weng
- Tree of Thoughts: Deliberate Problem Solving with Large Language Models (Yao et al., 2023)
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。