Susan STEM (@feltanimalworld) “多智能体与我理想中的“结构人格” 这两天我在梳理多智能体系统的发展脉络，因为它与我” — TopicDigg

多智能体与我理想中的“结构人格” 这两天我在梳理多智能体系统的发展脉络，因为它与我想要深入探索的方向高度相关。我相信，多智能体将成为下一阶段 AI 最重要的范式之一，它不仅关乎能力提升，更是协作、自治与系统性智能的新起点。别以为这是一个突然兴起的新概念。就像我曾推荐的那部神作《云图》所展现的那样：任何伟大的思想都有传承，而且这种传承往往不是线性或者显性，而是穿越时空的人类共鸣——思想在不知不觉中启发彼此，最终织成一张认知演化的网。 回到“多智能体”这个起点，第一个提出分布式智能雏形的，是 Carl Hewitt。在 1973 年，Hewitt 在 MIT 发表了划时代的论文《A Universal Modular Actor Formalism for Artificial Intelligence》，提出了著名的 Actor Model。这项工作把计算重新定义为一组彼此通过异步消息交互的“Actor”之间的协作过程。每个 Actor 是一个独立的并发实体，在接收消息时，可以同时做三件事：① 发送新消息，② 创建新的 Actor，③ 更改自己的行为脚本。最关键的是，这一切都在无共享内存的前提下实现，天然支持并发、扩展和分布式运行。 Actor Model 的提出，首次明确了“多主体并发协作”这一计算抽象，也因此被认为是并发计算模型的里程碑。它引发了后续多个技术方向的爆发：在并发机制上，Actor 之间无需加锁，避免了传统线程的临界区与死锁问题；在分布式结构上，Actor 地址可随消息传递，从而形成动态可扩展的通信拓扑，预示了微服务和多节点计算的未来形态；在语言与框架影响上，Erlang、Scala Akka、Microsoft Orleans 等现代并发框架皆继承了 Actor 思想，成为实际工程系统中的核心架构理念。 更重要的是，Actor Model 也奠定了多智能体系统（MAS）的认知基石：它不仅启发了后来的 Contract Net 协议、BDI（Belief–Desire–Intention）架构等智能体框架，更成为现代 LLM-Agent 对话协作、多智能体任务规划、Agent Society 的概念母体。我们如今看到的大模型多智能体编排，其实都可以被视作对 1973 年这项思想的结构性延展与实践化回应。换句话说，这条路，五十年前就已经有人走在前面了。 论文链接： 仔细回头看 Actor Model，如果我们站在今天已有大语言模型（LLM）这一“通用心智”的基础上，从 Agent 的视角重新审视，真的不得不佩服 Carl Hewitt 老爷子在五十年前对人工智能的构想。他于 2022 年去世，而他在 1973 年提出的这套架构，放在今天依然前沿得令人敬畏。 他的论文若原封不动地贴在推特上解释，其实意义不大——不如我们来真正“翻译”它，将其中的术语和机制进化到当下的语境中。比如，不妨将 Actor 直接升级为 Agent，把概念从并发计算扩展为结构智能体语言，再对照当今的 LLM-Agent 编排和自治系统来看，我们会发现：他所设想的并不是一个程序模型，而是一个结构人格系统的雏形。他早已越过了语言、系统与智能之间的壁垒，穿透到了“智能协作”的本质层面。 在以下内容中，我可能称主体为Actor， 智能体，Agent，或者结构人格。 封装状态与自持行为（Encapsulated State and Behavior） “每个 Actor 都封装了自己的状态与行为，其他 Actor 无法访问或修改它的状态。” 用我们今天的术语说，这就是：每一个智能体（Agent）都是一个完整的结构人格，具备完全自持的状态与行为系统，不依赖任何外部控制。没有全局变量、没有状态暴露，智能体之间彼此完全隔离。换句话说，你可以给我发信息，但你永远不能直接修改我的结构。真正的 Agent 是具有“人格边界”的认知体，每一个都能为自己的状态和行为做出决策，为自己的未来负责。 异步通信机制（Asynchronous Message Reception） “Actors 之间不调用彼此的方法，也不共享变量，它们仅通过发送和接收消息通信。” 这在今天，简直就是我们对多智能体系统的结构伦理学定义。智能体之间不再是函数调用的主从关系，而是平权人格之间的信息流交换。你不能 call 我，我也不会阻塞等你响应。我发消息给你，你可以处理也可以不处理；你回应，我也可以选择是否吸收。这是一种结构间的异步协商机制，不是强控制、不是因果调用，而是一种去中心、去锁定的结构性流动。 用我们今天的术语来说，这不是传统编程意义上的通信协议，而是结构智能体之间的语言协议层。它承认并尊重每一个 Agent 的完整性、自主性与非阻塞的进化路径。这正是我们今天在构建 LLM-Agent 编排系统时，所追求的核心特性。 非确定性排序（Non-deterministic Ordering） 在 Actor 模型中，没有全局时钟，也没有全局执行顺序。每个智能体独立演化，消息的到达时间不可预知，行为顺序也无法预设。这意味着：系统中不存在“先后必须如此”的统一时间线。所有看起来像是“顺序执行”的行为，其实都是由信息的收发关系触发出来的结果——不是因为有中心控制流程，而是因为某个智能体收到了某条消息，于是响应、演化、再向外传播，形成一种去中心的、事件驱动式的涌现秩序。 这是一种真正的并发式智能：世界的节奏不是靠钟表协调的，而是靠结构之间的语言互动自然生发的。 每个 Actor 都具备高度独立的“人格行为模式”。它不像传统程序中的被调用对象，而更像一个拥有主观能动性和选择权的结构人格体。在收到一条消息后，Actor 的回应方式不是被动执行，而是基于自身判断进行以下三种可能行为： 发送消息给其他 Actor: 它可以选择当一个“传话人”：“兄弟们，我接到活了，要不要一起干？”它会把任务的信息广播出去，向外寻找协作者或下游执行者。信息流在系统中扩散，协作链条就此展开。 创建新的 Actor 实体: 是的，作为一个完整的结构人格体，Actor 拥有“生孩子”的能力。它可以生成一批新的 Actor，赋予它们具体行为与目标，然后派遣它们去完成任务。这不是线程分发，而是结构性自我复制与责任转移。 更新自己的行为状态 :Actor 会根据当前收到的信息调整自己的行为逻辑。例如：“我现在开张接单”或者“订单太满暂时不接”。它可能设定一个新状态，来准备迎接下一条信息的到来。这种状态更新不是变量赋值，而是“人格的阶段切换”——它可以决定接下来的自己，是疲惫还是亢奋，是封闭还是开放。 （1/n)