--- title: "Multi-agent prompting — 多智能体提示" source: "https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA" wiki: "systems-analysis.info/int" article: "Multi-agent_prompting_—_多智能体提示" language: "zh" categories: - "Category:Chinese" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 4689 wiki_created_at: 2026-09-06T23:38:33Z wiki_modified_at: 2026-09-06T23:38:33Z downloaded_at: 2026-09-07T23:04:02Z --- # Multi-agent prompting — 多智能体提示 **多智能体提示**（英语：*multi-agent prompting*）是提示工程和人工智能系统中的一种方法，其中多个基于大型语言模型 (LLM)的自主智能体通过结构化的指令和响应交换进行交互，以解决复杂问题^{[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-comm_paper-1)}。换言之，多智能体系统由多个 LLM 智能体组成，它们协同处理用户的复杂请求，将推理阶段（*subtasks*）分配给具有不同“角色”和能力的智能体。该方法的主要目标是通过集体解决问题的方式，克服单一模型在复杂任务上的局限性。使用多个交互式智能体旨在提高推理质量、事实准确性和响应的可靠性^{[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-anthropic-mas-2)}。一个重要特点是严格的指令性：在整体解决方案的框架内，为每个 LLM 分配特定的角色或任务。 ## 方法与架构模式研究人员提出了多种多智能体提示方案，它们在智能体的交互性质和角色上有所不同。 ### 基于角色的专家建模一个或多个智能体被指定为具有狭窄专业领域的领域专家。例如，在一个多智能体小组中，不同的智能体可以代表不同的知识领域（物理学家、化学家、生物学家），或任务解决的不同阶段（规划者、执行者、批评者）^{[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-comm_paper-1)}。这种方法可以实现高效的 *few-shot* 提示，其中每个专家智能体都会收到其领域内的示例演示，从而提高整体性能。 ### 自我修正与批判 (Self-reflection) 智能体可以扮演“批评者”的角色，或者反思另一个智能体或自己先前回答的决策。*self-reflection*（自我反思）或 *self-refinement*（自我完善）策略在于，LLM 首先生成一个答案，然后由它自己或另一个模型分析并纠正该答案中的错误^{[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-comm_paper-1)}。这有助于迭代式地改进最终结果。 ### 智能体之间的辩论这是多智能体提示的一种竞争性变体，通过组织多个 LLM 之间的讨论或辩论来实现。在 **LLM-Debate** 方案中，两个或更多智能体就任务（例如数学问题）的正确答案进行辩论，并相互批判对方的论点^{[\[3\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-more_agents_all_you_need-3)}。与单一解决方案相比，这种辩论形式提高了模型的逻辑推理能力和答案的事实准确性。 ### 规划与任务分解一个智能体担任规划者的角色，将复杂的请求分解为一系列步骤或子任务，然后由它自己或其他智能体来解决。诸如 *ReAct* 和 *Reflexion* 之类的方法实现了类似的带有反馈的迭代规划原则。LLM 在开始执行之前首先生成一个解决方案计划，这有助于处理长推理链^{[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-comm_paper-1)}。 ### 多角色协作除了使用不同的模型，还可以使用同一个 LLM，让它“扮演”多个具有不同人设或观点的智能体。在 *multi-persona self-collaboration*（多角色自我协作）方法中，一个模型在对话过程中相继扮演多个角色，仿佛在与自己进行讨论。尽管研究表明，独立的智能体可以提供更高的效率，但这种方法允许在单个 LLM 内部模拟一个专家团队^{[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-comm_paper-1)}。 ## 应用与成果多智能体提示方法在一些单一 LLM 曾遇到困难的领域显示出其有效性。 ### 数学与逻辑推理使用多个智能体显著提高了需要多步推导的任务（复杂算术、数学证明、逻辑谜题）的准确性。在 Du 等人 (2023) 的工作中，多智能体“辩论”方法比单一智能体的结果有所改进。分析表明，随着参与讨论的智能体数量增加，答案的准确性也随之提高^{[\[3\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-more_agents_all_you_need-3)}。 ### 科学与技术任务针对复杂的学科问题（物理、化学），研究人员提出了 **CoMM** (*Collaborative Multi-Agent, Multi-Reasoning-Path Prompting*) 方法，其中多个具有不同角色（专家）的 LLM 智能体并行应用不同的推理策略。在大学水平物理任务的测试中，CoMM 明显优于像 *chain-of-thought* 这样的基线方法，在公式和计算方面的错误更少^{[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-comm_paper-1)}。 ### 代码生成与调试在编程领域，多智能体系统被用于提高代码质量并减少错误数量。**PromptV** 系统使用多个智能体来顺序编写、检查和修正 Verilog 代码。角色分配（生成、审查、测试）提高了模型发现和修复错误的能力，在一个基准测试中，成功编译的解决方案比例高达 **96.5%**^{[\[4\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-promptv_paper-4)}。 ### 信息搜索与分析多智能体系统对于开放式、结构不良的查询特别有用。**Anthropic** 公司为 **Claude** 模型开发了一种多智能体模式，专门用于网络研究。在该系统中，主智能体分析查询并生成多个并行的子任务智能体，每个智能体从不同方面搜索主题。与单个 Claude 模型相比，这种架构在处理复杂搜索问题上的效率高出 **90%**^{[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-anthropic-mas-2)}。 ### 文本分类与 NLP 任务针对 NLP 任务，研究人员开发了**基于原则的提示**（*Principle-Based Prompting*）。在这种方法中，LLM 智能体首先生成一组“原则”（解决方法），然后一个最终智能体从中挑选出最佳原则，另一个智能体基于这些原则进行分类。与基线方法相比，该方法将 macro-F1 指标提高了 **1.5–19%**，在质量上接近经典的样本学习（*few-shot*）^{[\[5\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-principle_based_paper-5)}。 ## 局限与问题 ### 计算复杂性与成本主要缺点是计算负载急剧增加。每个智能体都需要自己的生成会话，这导致 token 和资源的大量消耗。根据 Anthropic 的数据，其系统平均每次对话消耗的 token **是原来的 4 倍**，在某些情况下甚至高达 15 倍^{[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-anthropic-mas-2)}。这使得该方法仅适用于高价值任务。 ### 设计与协调的复杂性为了成功运行，需要进行仔细的**提示工程调优**：必须明确定义每个智能体的角色、消息交换格式和停止标准。否则，智能体可能会重复工作、陷入无限循环的搜索或创建无用的子任务^{[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-anthropic-mas-2)}。 ### 安全性与可靠性出现了新的攻击向量。研究人员展示了 **Prompt Infection**（提示词感染）现象，即来自一个智能体的恶意指令片段被传递给另一个智能体，像病毒一样在整个推理链中传播。这种 *LLM-to-LLM* 攻击显示了多智能体系统对隐藏注入和操纵的脆弱性，需要开发特殊的保护措施，例如标记每个智能体的输出（*LLM Tagging*）^{[\[6\]](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_note-prompt_infection_paper-6)}。 ## 外部链接 - «我们如何构建多智能体研究系统» — Anthropic 的详细分析 - «More Agents Is All You Need» — 关于智能体集成有效性的科学论文 ## 参考文献 - Chen, P. et al. (2024). *CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving*. arXiv:2404.17729. - Li, J. et al. (2024). *More Agents Is All You Need*. arXiv:2402.05120. - Mi, Y. et al. (2024). *PromptV: Leveraging LLM-Powered Multi-Agent Prompting for High-Quality Verilog Generation*. arXiv:2412.11014. - Wei, P. et al. (2024). *Don’t Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification*. arXiv:2502.07165. - Lee, D.; Tiwari, A. (2024). *Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems*. arXiv:2410.07283. - Fernando, C. et al. (2023). *PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution*. arXiv:2309.16797. - Wu, Q. et al. (2023). *AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation*. arXiv:2308.08155. - Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. arXiv:2308.03688. - Li, G. et al. (2024). *Multi-LLM Debate: Framework, Principles, and Interventions*. PDF. - Du, N. et al. (2023). *Improving Factuality and Reasoning in Language Models through Multi-Agent Debate*. arXiv:2305.14325. ## 注释 1. ↑ ^{[1.0](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-comm_paper_1-0)} ^{[1.1](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-comm_paper_1-1)} ^{[1.2](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-comm_paper_1-2)} ^{[1.3](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-comm_paper_1-3)} ^{[1.4](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-comm_paper_1-4)} ^{[1.5](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-comm_paper_1-5)} Chen, Y. et al. «CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving». *arXiv*, 2024. [1] 2. ↑ ^{[2.0](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-anthropic-mas_2-0)} ^{[2.1](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-anthropic-mas_2-1)} ^{[2.2](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-anthropic-mas_2-2)} ^{[2.3](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-anthropic-mas_2-3)} «How we built our multi-agent research system». *Anthropic*. [2] 3. ↑ ^{[3.0](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-more_agents_all_you_need_3-0)} ^{[3.1](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-more_agents_all_you_need_3-1)} Li, G. et al. «More Agents Is All You Need». *arXiv*, 2024. [3] 4. [↑](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-promptv_paper_4-0) Mi, Y. et al. «PromptV: Leveraging LLM-powered Multi-Agent Prompting for High-quality Verilog Generation». *ResearchGate*, 2024. [4] 5. [↑](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-principle_based_paper_5-0) Wei, J. et al. «Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification». *arXiv*, 2024. [5] 6. [↑](https://systems-analysis.info/int/Multi-agent_prompting_%E2%80%94_%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93%E6%8F%90%E7%A4%BA#cite_ref-prompt_infection_paper_6-0) Lee, K. & Tiwari, A. «Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems». *OpenReview*, 2024. [6]