向集合人工智能科学的迈进：LLM 基于多智能体系统需从盲目试错转向严谨科学
计算与语言
2026-02-06 v1 人工智能
多智能体系统
摘要
大型语言模型（LLMs）的最新进展极大扩展了多智能体系统（MAS）的能力，展示出在广泛复杂开放域域的显著效果。然而，尽管快速取得进展，该领域仍严重依赖经验性试错，缺乏系统化优化和改进所必需的统一原则性科学框架。这一瓶颈源于归因性模糊：首先，缺乏因素结构化分类学，使研究人员局限于无指导的调整；其次，缺乏统一度量标准，无法区分真正的协作收益与仅仅的资源积累。在本文中，我们倡导通过集成框架实现设计科学的转变。我们倡导将合作收益度量（）确立为科学标准，以隔离增量预算带来的收益。借助 ，我们提出了系统性识别协作驱动因素的归因范式。为支持此目标，我们构建了系统的 MAS 因素库，将设计空间划分为控制层次预设和信息层次动力学。最终，该框架促进了从盲目实验向严谨科学的转变，为向真正的集合人工智能科学之路指明方向。
引用
@article{arxiv.2602.05289,
title = {Towards a Science of Collective AI: LLM-based Multi-Agent Systems Need a Transition from Blind Trial-and-Error to Rigorous Science},
author = {Jingru Fan and Dewen Liu and Yufan Dang and Huatao Li and Yuheng Wang and Wei Liu and Feiyu Duan and Xuanwen Ding and Shu Yao and Lin Wu and Ruijie Shi and Wai-Shing Leung and Yuan Cheng and Zhongyu Wei and Cheng Yang and Chen Qian and Zhiyuan Liu and Maosong Sun},
journal= {arXiv preprint arXiv:2602.05289},
year = {2026}
}