我之前做过并分享了一个 ai npc 的项目，当时就感觉用纯 ReAct 式的 LLM Agent 来控制 npc 非常奇怪，这就像是我们自己做每一个动作钱看都要思考一下，下一步改迈左腿了，再下一步该迈右腿了….
我认为这样一个设计存在以下问题：
1. 实时性太差，如果主要功能是对话还好，但有些游戏场景对于实时操作的要求比较好，让所有动作都由 LLM 来生成很不理想；
2. 对于某些带有对抗博弈性质的场景，我认为 LLM 的决策深度是不够的，它往往仅能针对当前状态进行推理。虽然可以利用游戏表现作为奖励信号进行一定的优化，但纯 LLM agent 可做的优化有限（很多情况下都是优化 prompt），但如果使用一个可训练的执行器，那优化空间就会很大。
正好最近看到一些论文是使用外层 LLM 套内层执行器的设计，执行器可以是确定性的程序、强化学习策略、搜索空间等，我感觉这种设计对于 ai npc 来说是更合理的。
更近一步（接下来的内容是我一个畅想，目前没思考过可行性），我有一本喜欢的书叫《思考快与慢》，里面提到人有两个系统，“快系统”和“慢系统”：使用快系统时，人不需要思考就可以做出一系列动作，它悄无声息地运作（比如我们呼吸、走路、回答1+1等时都不需要思考），虽然快系统存在偏差，也很容易犯错，但没有快系统，我们将无法生活；慢思考只有我们主动调用时才会使用，它需要消耗能量，它可以让我们思考快系统下的行为，推理一些复杂的问题。我们在平时会同时使用快系统和慢系统，因此我在想是否可以在 ai npc 上实现这种双系统。这和前面提到的 LLM 套执行器又有所不同，它像是 LLM（慢系统、推理）和执行器（快系统、直觉）的双轨并行，以此让 npc 更像人的行为，并且在一定程度让兼容实时动作和高层推理。目前先暂时保存这个畅想😌。
一篇最新的论文通过大量实验来验证什么时候多智能体系统（MAS）比单智能体（SAS）更好。
文章对比了 SAS 基线以及四种 MAS 架构：
- 中心式：由一个中心 agent 进行任务协调；
- 去中心式：agent 之间直接通信；
- 独立式：多个 agent 独立解决任务，最后统一结果；
- 混合式：同时有中心 agent 和 p2p 通信。
并在 6 个 benchmark 上进行实验：
- Finance Agent：金融分析；
- BrowseComp-Plus：网页搜索；
- WorkBench：现实工作场景任务；
- SWE-bench Verified：软件工程任务；
- Terminal-Bench：终端任务；
- PlanCraft：游戏规划。
主要结论如下：
1. MAS 没有普遍优势，在不同 benchmark 上的结果极其分化，在 Finance Agent 上可以达到 80.8% 的提升，而 PlanCraft 上会导致 -70%～-39% 的负收益。
2. SAS 基线的表现是判断是否应该使用 MAS 的最有用的标准，当 SAS 已经足够强时，继续加入 agent 很可能带来零收益甚至负收益，而实验得出的成功率阈值是 45%。
3. 任务的可拆解性和复杂性共同影响 MAS 效率。MAS 在可拆解的任务中可以获得很大收益，但在高复杂度的线性任务中往往会导致退化。
4. MAS 会导致错误信息的传播进而影响表现，不同 MAS 架构对于错误传播的阻断效果不同，中心式架构最能阻断错误传播，而独立式架构最难阻断错误传播。
这篇论文还有很多有意思的结论，我就不一一列举了，感兴趣的小伙伴可以去看原文，原文做了大量的实验和严谨的检验。
原文链接：https://www.nature.com/articles/s42256-026-01268-y
第一次做这种内容感觉很粗糙，后续我会再发布一些多智能体系统以及智能体自进化相关的内容。
Capable language models can outgrow the benefits of collaboration - Nature Machine IntelligenceAgents, language model-based systems that can reason, plan and act with tools to accomplish tasks, are widely deployed, yet it remains unclear when multi-agent coordination outperforms a strong single agent. Here we conduct a controlled experiment that holds task prompts, tools and compute budgets constant while varying only coordination structure and model capability. Across 260 configurations spanning six benchmarks, five architectures and three LLM families, we derive a predictive model using empirical coordination metrics. Across benchmarks, single-agent baseline performance emerges as the most robust predictor of whether coordination improves or decreases performance. In particular, we identify an empirical capability-saturation threshold beyond which additional agents are unlikely to improve performance. This threshold correctly predicts the effect of multi-agent coordination on performance in 94% of validation configurations on SWE-bench Verified and Terminal-Bench. We therefore interpret this threshold as a practical selection rule rather than a universal scaling principle. A second effect, baseline-scaled error amplification, survives cluster-robust inference (Probust = 0.030) and supports the failure-mode taxonomy. The fitted model achieves cross-validated R2 = 0.373 (0.413 with a task-grounded capability metric) and selects the best architecture in 87% of held-out configurations. These results provide a quantitative framework for within-domain architecture selection and for estimating when multi-agent coordination is likely to improve performance or add overhead. A controlled study of large language model agents across 260 configurations shows when multi-agent collaboration helps or hurts performance, and introduces a predictive model that selects the best architecture in 87% of held-out within-domain configurations.https://nature.com/articles
Capable language models can outgrow the benefits of collaboration - Nature Machine IntelligenceAgents, language model-based systems that can reason, plan and act with tools to accomplish tasks, are widely deployed, yet it remains unclear when multi-agent coordination outperforms a strong single agent. Here we conduct a controlled experiment that holds task prompts, tools and compute budgets constant while varying only coordination structure and model capability. Across 260 configurations spanning six benchmarks, five architectures and three LLM families, we derive a predictive model using empirical coordination metrics. Across benchmarks, single-agent baseline performance emerges as the most robust predictor of whether coordination improves or decreases performance. In particular, we identify an empirical capability-saturation threshold beyond which additional agents are unlikely to improve performance. This threshold correctly predicts the effect of multi-agent coordination on performance in 94% of validation configurations on SWE-bench Verified and Terminal-Bench. We therefore interpret this threshold as a practical selection rule rather than a universal scaling principle. A second effect, baseline-scaled error amplification, survives cluster-robust inference (Probust = 0.030) and supports the failure-mode taxonomy. The fitted model achieves cross-validated R2 = 0.373 (0.413 with a task-grounded capability metric) and selects the best architecture in 87% of held-out configurations. These results provide a quantitative framework for within-domain architecture selection and for estimating when multi-agent coordination is likely to improve performance or add overhead. A controlled study of large language model agents across 260 configurations shows when multi-agent collaboration helps or hurts performance, and introduces a predictive model that selects the best architecture in 87% of held-out within-domain configurations.https://nature.com/articles开始研究世界模型是否可以融入我的ai游戏🤔
开发ai游戏时的一些思考：
感觉使用ReAct + tool use的机制模拟人的推理和决策过程不是特别理想，思考和行动过程分离导致很难实现实时对话，想知道有哪些更好的建模方式。