Agent Swarms，即智慧型體集群，是一種多智慧型體協作系統，其核心理念借鑑自然界蜂群等集體智慧，旨在通過多個AI代理的分工與協作處理複雜任務。在人工智慧領域，它被視為AI Agent發展的一個重要方向。有觀點將智慧型體集群列為大模型技術發展的核心維度之一。相關技術實現可通過動態調度多個子智慧型體並行執行操作步驟。其協作機制通常涉及任務拆解與並行最佳化，以避免效率問題。
基本介紹
- 中文名：智慧型體集群
- 外文名：Agent Swarms
研發背景,發展歷程,核心技術,Orchestrator任務編排機制,並行強化學習（PARL）與獎勵函式,系統架構與協作模式,性能表現與邊界,運營模式,核心團隊,重要事件,
研發背景
Agent Swarms的概念借鑑了自然界中蜂群、蟻群等集體智慧系統，強調多智慧型體通過協作解決複雜問題。AI行業內普遍認為，AI Agent發展的下一個階段正是群體協作（Agent Swarms），通過多代理溝通合作實現更高效的工作。崑崙數智科技有限責任公司於2024年9月申請了“基於預訓練大模型的AI原生套用構建平台”專利，其系統包括多智慧型體開發流水線模組與智慧型體集群，涉及智慧型體集群管理、任務分解與執行等，可驅動多智慧型體集群實現自適應套用組裝。
發展歷程
2026年1月28日，Kimi智慧型助手正式發布K2.5版本，該版本首次引入了視覺理解能力與智慧型體集群（Agent Swarms）功能。此次升級標誌著Kimi從“單點智慧型”向“集群智慧型”的跨越。其Agent Swarms功能可動態調度最多100個子智慧型體並行工作，支持高達1500個操作步驟的複雜工作流，端到端運行時間相比單智慧型體模式縮短最高達80%。
2026年3月18日，月之暗面創始人楊植麟首次完整披露Kimi技術路線圖，將智慧型體集群列為與Token效率、長上下文並列的三大進化維度之一。楊植麟闡釋了K2.5版本引入的Orchestrator機制，並指出未來的智慧型形態將從單智慧型體向動態生成的集群進化。
根據後續實測與用戶反饋，Agent Swarms在處理大規模信息收集、千頁級長文檔核心提煉、視覺與代碼結合等可並行度高的複雜任務時，效率相比傳統單智慧型體模式有顯著提升。
核心技術
Agent Swarms（智慧型體集群）是大模型技術發展中實現從“單點智慧型”向“集群智慧型”跨越的核心技術維度。其旨在通過多個智慧型體（Agent）的自主協作與並行執行，高效處理複雜長任務。該技術框架的核心包括任務編排（Orchestrator）、基於並行強化學習（PARL）的訓練機制以及外部智慧型體間的協作架構。
Orchestrator任務編排機制
在該技術框架中，Orchestrator機制能夠將複雜的長任務拆解為數十個可並行的子任務。該機制可動態調度相應的子智慧型體並行處理，最多可達100個。Orchestrator是智慧型體集群實現任務分解與分配的核心組件。
並行強化學習（PARL）與獎勵函式
為使模型學會自主進行任務分解與調度，研究人員採用了並行智慧型體強化學習（PARL）技術進行訓練。其核心創新在於設計了新的並行強化學習獎勵函式。該獎勵函式旨在防止多個智慧型體協作時因單點依賴而產生“串列塌縮”問題，從而激勵模型掌握任務的並行分解與執行策略。
系統架構與協作模式
Agent Swarms的架構本質是外部獨立智慧型體之間的協作。每個子智慧型體都是獨立的執行單元，可以調用工具，它們通過Orchestrator協調，共同完成一個外部任務。這與大模型內部的混合專家模型（MoE）架構有區別，MoE是模型內部不同計算路徑（專家）的激活，而Agent Swarm是發生在模型外部的協作。在更巨觀的系統設計（如AI4S科研架構）中，這種協作模式常被抽象為三層：頂層的人（負責提出方向和最終決策）、中層的智慧型體集群（負責數據分析、推理、實驗設計等具體任務）、以及底層的智慧型體自主協作機制（負責任務的觸發、執行和自我進化）。
性能表現與邊界
基於上述核心技術，Agent Swarm技術能夠並行執行高達1500個操作步驟。在處理可並行的大規模信息收集、視覺與代碼結合的複雜任務以及長文檔處理時，端到端運行時間相比單智慧型體模式可縮短達80%。其技術邊界在於任務需具備可拆分性。對於強依賴關係的任務或需要深度推理的任務，單智慧型體模式可能更可靠。
運營模式
Agent Swarms的運營模式核心是AI自主分解和調度任務，而非依賴預設流程。Kimi K2.5引入Orchestrator機制，能夠將複雜的長任務拆解給數十個子Agent並行處理。為了防止協作過程中出現單點依賴導致的“串列塌縮”，團隊設計了全新的並行RL獎勵函式，激勵模型學會任務分解與並行執行，其能力源於並行智慧型體強化學習（PARL）的訓練。智慧型體集群內部採用改進型Raft共識算法，在無中心節點情況下實現狀態同步。動態角色分配系統通過強化學習模型實時評估成員能力，動態分配任務角色。跨智慧型體通信協定如Claw-Protocol採用JSON-LD格式封裝語義信息，支持高吞吐、低延遲的跨節點訊息傳遞。
Agent Swarms擅長處理可並行的大規模信息收集、視覺與代碼結合的複雜任務以及長文檔處理。能夠顯著提升效率，例如端到端運行時間縮短達80%，支持高達1500個操作步驟的並行工作流。實測在信息收集、文檔處理等任務上效率可提升數倍。
任務需要具備可拆分性，對於強依賴關係的任務，強行並行可能適得其反。由於多Agent並發，任務耗時可能較長，成本也相對單Agent更高。優勢在於“廣度”和“速度”，在需要深度推理的任務上，單Agent的專注模式可能更可靠。有時系統會自動切換回單Agent模式以保證質量。執行可能受限於外部工具或平台的訪問許可權。
核心團隊
月之暗面創始人楊植麟在GTC 2026演講中首次完整披露了Kimi的技術路線圖，將智慧型體集群列為模型進化的三個核心維度之一。他認為未來的智慧型形態將從單智慧型體向動態生成的集群進化。在Kimi K2.5中，團隊引入了Orchestrator機制以拆解任務，並設計了全新的並行RL獎勵函式來激勵模型學會任務分解與並行執行，防止“串列塌縮”。
重要事件
2022年，Swarms項目由Kye Gomez發起，成為多智慧型體LLM框架的早期代表，其核心理念借鑑了自然界中的蜂群、蟻群等集體智慧系統，強調多個AI代理之間的無縫合作，以處理複雜任務。
