夜雨聆风AI Agent之间的互动方式：哪种协作方式更有效？
Verschiedene Interaktionsformen zwischen AI Agents: Welcher Kooperationsansatz ist am effektivsten?
Folien:
https://github.com/createmomo/Notes-on-AI-Agents
之前的文章：
从 OpenClaw 看 AI Agent 的运作原理 理解Context Engineering
Frühere Artikel:
Wie KI-Agenten funktionieren: Der Fall OpenClaw Context Engineering Explained Die zentrale Technologie von AI Agents verstehen: Context Engineering (LLM Summary, Observation Masking und Memory) Was tun, wenn Aufgaben, die ein KI-Agent ursprünglich lösen konnte, nach dem Context Engineering scheitern? Mechanismen zur Entscheidung, wann Kontext komprimiert werden sollte Context Filtering und autonomes Context Engineering
关于这篇笔记的说明：
主要参考了Hung-yi Lee老师2026年的机器学习课程（https://www.youtube.com/watch?v=mmPmNezjCi0），其中一小部分内容根据个人理解可能有微小的调整； 保留了最核心的内容，所以比较简短，但也尽量保留了知识的完整。所以适合快速的回顾复习，当然也适合新手快速理解。
Hinweis zu dieser Notiz:
Diese Notiz basiert hauptsächlich auf dem Machine-Learning-Kurs von Prof. Hung-yi Lee aus dem Jahr 2026（https://www.youtube.com/watch?v=mmPmNezjCi0）. Ein kleiner Teil des Inhalts kann auf Grundlage meines eigenen Verständnisses leicht angepasst sein; Diese Notiz konzentriert sich auf die zentralen Inhalte und ist daher relativ kurz gehalten. Gleichzeitig wird versucht, die inhaltliche Vollständigkeit möglichst zu bewahren. Sie eignet sich daher sowohl für eine schnelle Wiederholung als auch für Einsteigerinnen und Einsteiger, die sich rasch einen Überblick verschaffen möchten.
在面对一些任务的时候，可能一个模型已经不能很好的应对了。但是，与其训练一个更大更厉害的模型，可能还不如让三个模型一同合作来解决同一个问题。
Bei manchen Aufgaben ist ein einzelnes Modell möglicherweise nicht mehr in der Lage, sie ausreichend gut zu bewältigen. Statt jedoch ein noch grösseres und leistungsfähigeres Modell zu trainieren, kann es unter Umständen effektiver sein, drei Modelle gemeinsam an derselben Aufgabe arbeiten zu lassen.
现在其实已经有很多与此相关的研究了，有的论文就表明，让多个Agent互相讨论，可能就会获得比单个Agent的时候更好的结果。
Inzwischen gibt es bereits zahlreiche Forschungsarbeiten zu diesem Thema. Einige Studien zeigen, dass mehrere Agents durch gegenseitige Diskussion möglicherweise bessere Ergebnisse erzielen können als ein einzelner Agent allein.
但，讨论的方式也可以有很多种呀，那怎么样的讨论方式才会达到最好的效果呢？
Allerdings kann eine solche Diskussion auf sehr unterschiedliche Weise organisiert werden. Welche Form der Diskussion führt also zu den besten Ergebnissen?
在这篇论文中，模型与模型之间，Agent之间的互动是用有向图来表示的。其中，每一个node就代表一个模型或者一个agent。
In dieser Arbeit werden die Interaktionen zwischen Modellen beziehungsweise zwischen Agents als gerichteter Graph dargestellt. Jeder Node steht dabei für ein Modell oder einen Agent.
除此之外，其实每一条边（edge）也是一个模型。
Darüber hinaus ist auch jede Edge selbst ein Modell.
比如，在这个图当中，针对一个任务，前面的node会先分别提出自己的方案；
In diesem Beispiel schlagen die vorhergehenden Nodes für eine bestimmte Aufgabe zunächst jeweils eigene Lösungsansätze vor.
然后，edge上面的模型会提供自己的想法和建议；
Anschliessend liefert das Modell auf der Edge eigene Überlegungen und Vorschläge.
最后这个node上的模型会综合前面的方案和建议，来提出自己的想法。
Schliesslich fasst das Modell auf dem letzten Node die vorherigen Lösungsansätze und Vorschläge zusammen und entwickelt daraus eine eigene Idee.
所以我们可以看出，最后这个节点的工作并不是把前面的内容做简单的拼接，而是也会有自己的思考在里面。
Daran lässt sich erkennen, dass die Aufgabe des letzten Nodes nicht einfach darin besteht, die vorherigen Inhalte mechanisch zusammenzufügen. Vielmehr bringt er auch eigene Schlussfolgerungen und Bewertungen ein.
那，在了解了基本概念之后，我们就可以看一下这篇论文到底尝试了哪些不同的讨论方式。
Nachdem wir nun das Grundkonzept verstanden haben, können wir uns ansehen, welche unterschiedlichen Diskussionsformen in dieser Arbeit untersucht wurden.
比如，这种相对比较简单的一个传一个的方式，也就是接龙的方式。
Ein Beispiel ist diese relativ einfache Form, bei der die Informationen der Reihe nach weitergegeben werden, also eine Art Chain-Struktur.
还有的方式是这种树状结构的方式。
Eine weitere Form ist diese baumartige Struktur.
不过这里需要注意的是，在这里是有一个node节点产生想法，然后再传给其他人去发散想法，从而提出多个方案。
Dabei ist jedoch zu beachten, dass hier ein Node zunächst eine Idee erzeugt und diese anschliessend an andere weitergibt, damit diese die Idee ausweiten und mehrere Lösungsansätze entwickeln können.
这样的方式其实有一点反直觉，因为我们的直觉可能是由一棵树的最底层的节点产生想法，然后层层往上汇报，直到汇报到最上面的节点。但在这里不是这种情况。
Diese Form wirkt auf den ersten Blick etwas kontraintuitiv. Intuitiv könnte man nämlich annehmen, dass die Nodes auf der untersten Ebene eines Baums zuerst Ideen erzeugen und diese dann schrittweise nach oben weitergeben, bis sie schliesslich den obersten Node erreichen. In diesem Fall ist es jedoch nicht so.
总之，发散出来多个方案后，最终会有一个隐藏的node（没有在图中显示），会把所有的方案总结汇总起来给出一个最终的方案。
Nachdem also mehrere Lösungsansätze entwickelt wurden, gibt es am Ende einen verborgenen Node, der in der Abbildung nicht dargestellt ist. Dieser fasst alle Lösungsansätze zusammen und integriert sie zu einer endgültigen Lösung.
那除了CHAIN和TREE的结构，还可以有更复杂的结构。比如这种Mesh Graph，这种图的特点就是所有节点两两之间都是会有关联性的。比如我们可以看出，会有1个节点会把想法传给4个节点，然后会有1个节点传给3个节点等。反正两两节点之间是会有edge相连接的。
Neben CHAIN- und TREE-Strukturen gibt es auch komplexere Strukturen, zum Beispiel diesen Mesh Graph. Das zentrale Merkmal eines solchen Graphen besteht darin, dass die Nodes paarweise miteinander verbunden sind. So lässt sich beispielsweise erkennen, dass ein Node seine Idee an vier andere Nodes weitergibt, während ein anderer Node seine Idee an drei Nodes weiterleitet, und so weiter. Kurz gesagt: Zwischen jedem Paar von Nodes besteht eine Edge.
如果我们再往后看呢，会看到类似于神经网络的样子。虽然看起来像神经网络，但实际上每一个节点都是一个单独的神经网络模型（毕竟现在的模型都是用神经网络做的嘛）。
Wenn wir weitergehen, sehen wir eine Struktur, die einem neuronalen Netzwerk ähnelt. Obwohl sie wie ein neuronales Netzwerk aussieht, ist jeder einzelne Node tatsächlich ein eigenständiges neuronales Netzwerkmodell. Schliesslich basieren heutige Modelle in der Regel ebenfalls auf neuronalen Netzwerken.
那我们再往后看，可以看到，随机生成的Graph。这种图实际上就是从前面的Mesh图随机做pruning而得到的。
Wenn wir noch einen Schritt weitergehen, sehen wir einen zufällig erzeugten Graphen. Ein solcher Graph entsteht im Grunde dadurch, dass der vorherige Mesh Graph zufällig gepruned, also beschnitten, wird.
那这些不同的讨论方式，都有怎么样的效果呢？
Welche Auswirkungen haben nun diese unterschiedlichen Diskussionsformen?
在这个图中，横轴大概是指，我们现在动用了多少“人力”，也就是动用了多少Agent来完成任务；竖轴表示的是完成任务的质量分数。这里的分数是在4种不同的任务上，最终取平均值所获得的分数。
In dieser Abbildung steht die horizontale Achse grob gesagt für den Umfang der eingesetzten „Arbeitskraft“, also dafür, wie viele Agents zur Bearbeitung der Aufgabe eingesetzt werden. Die vertikale Achse zeigt die Qualitätsbewertung der erzielten Ergebnisse. Dieser Wert ergibt sich aus dem Durchschnitt über vier verschiedene Aufgaben.
从左上的图，我们可以看出，效果最不好的，是那种一个传一个（Chain）的方式。
Aus der Abbildung oben links lässt sich erkennen, dass die am wenigsten effektive Form die sequenzielle Chain-Struktur ist, bei der die Informationen der Reihe nach von einem Agent zum nächsten weitergegeben werden.
那其他方式呢？论文中发现了，其实不同的任务，最适合的讨论方式也是不一样的。那到底什么方式最适合什么任务，就只能是case by case了，这里面可能会有很多需要研究的地方。
Wie sieht es nun mit den anderen Formen aus? Die Arbeit zeigt, dass je nach Aufgabe unterschiedliche Diskussionsformen am besten geeignet sein können. Welche Struktur für welche Aufgabe am effektivsten ist, muss daher im Einzelfall betrachtet werden. In diesem Bereich gibt es vermutlich noch viele Fragen, die weiter untersucht werden können.
那，从这个图中我们还可以看出，随着投入的agent越来越多，质量确实也会变得越来越好。但这种变好是有一个上限的。当对agent的投入超过某一个点之后，提升的效果就不会太明显了。
Aus dieser Abbildung lässt sich ausserdem erkennen, dass die Qualität tatsächlich steigt, wenn mehr Agents eingesetzt werden. Diese Verbesserung ist jedoch nicht unbegrenzt. Sobald die Anzahl der eingesetzten Agents einen bestimmten Punkt überschreitet, werden die zusätzlichen Verbesserungen deutlich weniger ausgeprägt.
