通信如何将简单的代理器变成更大的
注: 灵感来源于思考将大部分Lucid.mockllmapi及材料扩展至(从未公布过,
在第一部分中,我们看到了简单模式-序列链、平行处理、验证循环-创造出新的复杂情况。 遵循简单规则的多个代理商产生了复杂的行为。 在第一部分中,我们看到了简单模式-序列链、平行处理、验证循环-创造出新的复杂情况。
但这些都是固定的模式。确定性。你编程了流:A到B到C。
现在想象一些不同的东西。
试想一下那些特工能 相互交谈.
不仅按顺序传递数据,而且实际上进行交流。共享上下文,提问,谈判,辩论。
突然间这个系统 不仅仅是复杂的系统 适应性适应.
这改变了一切
在我们潜入LLMS之前 让我们来谈谈蚂蚁
个体蚂蚁很简单 几乎是机械的 它沿着外激素的足迹 采集食物 带回巢穴
没有蚂蚁理解“殖民地”的概念。没有蚂蚁的路线定位计划。没有蚂蚁有巢状结构的心理模型。
但是, 殖民地 蚁群优化了饲料 计划扩张 防御威胁 适应了环境变化
怎么会?
Pheromone踪迹是信息,当蚂蚁相遇时,它们交换化学信号 分享关于食物来源、威胁和巢穴条件的数据。
情报不在任何蚂蚁体内 通信网络网络的联网.
蚁群比任何蚂蚁都聪明。 这并不是因为个体蚂蚁变得更聪明,而是因为它们之间的信息流动造成了集体层面的突发行为。
在第一部分中,我们有:
Agent A → Agent B → Agent C → Output
每个代理商处理数据并将其传送到前方。简单、有效、但有限。
现在想象一下:
↗→ Agent B ←→ Agent C ↘
Agent A ←→ → Output
↘→ Agent D ←→ Agent E ↗
代理人不能只是传递数据 彼此交谈 分享背景 谈判解决方案
这是 集体集体情报和集体情报。它具有连续处理不具有的属性:
当特工交流时,他们自然会根据自己擅长的 来专门研究
想象一下在制作产品说明的3个代理商:
在一条相继管道中,你将明确程序: A 生成, B 精炼, C 验证。
但通过沟通, 还有其他事情发生:
没有人设计这种分工。 它产生于根据每个代理人的长处进行的交流。
有意思的地方就在这里
对于简单的问题,由一个代理人来处理。对于涉及多个领域的复杂问题,代理人组成临时联盟。各委员会 存在的时间足够长 解决问题,然后解散。
Simple Request: "Generate a user name"
→ Single agent handles it
Complex Request: "Generate a complete e-commerce product with specs, pricing,
inventory, shipping, reviews, and related products"
→ Temporary coalition forms:
- Specs specialist
- Pricing analyst
- Inventory manager
- Marketing writer
- Review generator
→ They communicate, negotiate consistency, produce comprehensive output
→ Committee dissolves
该系统调整其结构以适应问题,不是通过明确的方案编制,而是通过代理人,承认他们需要帮助并从他人那里请求帮助。
最令人着迷的财产:集体可以解决任何个人代理人都无法理解的问题。
考虑产生一套复杂的数据集,必须满足多种限制因素:
没有任何单一的代理人能理解所有四个域。但通过通信:
解决办法来自对话,没有一个单一的代理人创造它。 平 平 数 解决了
这就是它开始感觉... 奇怪的地方
当代理商有效沟通时,系统显示任何个体代理商都不存在的属性:
分配理解 : 没有一个特工能理解整个问题, 但网络是集体的。
新兴共识: 通过谈判,代理人达成协定,综合多种观点。
适应结构: 该网络根据问题的复杂性重组自己——简单的问题简单结构,复杂的问题复杂联盟。
集体内存 : 当一个代理人发现一个好办法时,其他人就会从中学习。
它开始看起来不那么像"多个特工" 更像是单一的分布式情报
这里让我晚上睡不着:
如果个别蚂蚁不聪明 但殖民地是...
如果个别神经元不聪明,但大脑...
如果个别特工不是特别聪明 但集体通过沟通 解决复杂的问题...
情报机构到底住在哪里?
是在特工里吗 还是在特工里 三、它们之间联系模式的交流和交流模式的交流?
也许情报不是你拥有的 信息流动的新兴属性.
让我把这个植入一个你可以真正建造的东西:
async function solveComplexProblem(problem) {
// Analyze complexity
const complexity = analyzeComplexity(problem);
if (complexity < 5) {
// Simple: single agent
return await singleAgent.solve(problem);
}
// Complex: form a committee
const committee = formCommittee(problem);
// Agents discuss the problem
let solution = null;
let consensus = false;
let iteration = 0;
while (!consensus && iteration < 10) {
// Each agent proposes or critiques
const proposals = await Promise.all(
committee.map(agent => agent.contribute(problem, solution))
);
// Combine perspectives
solution = synthesize(proposals);
// Check if everyone agrees
consensus = await checkConsensus(committee, solution);
iteration++;
}
return solution;
}
这个代码很简单 但是 行为行为 精密 :
没有单一的代理"解决"问题。 对话框 解决了
一旦你看到图案,图案就无处不在:
蚂蚁殖民地 - 简单的蚂蚁,复杂的集体行为 通过费洛蒙通信
人文组织 - 个别雇员、通过会议、电子邮件、Slack等手段的精密组织能力
市场市场 - 个体贸易商、通过出价和出价突然发现价格
脑脑 - 个体神经元,通过合成交流提高意识
多剂 AI - 个人LLMLM,通过结构化交流产生集体情报
相同的样式,不同的尺度。相同的基本洞察力:
非智能组成部分之间的沟通可以产生情报。
代理商通信时:
这不仅仅是"更好的表演" 质质变化 系统能做些什么。
顺序处理:简单规则的复杂行为
集体交流:简单代理人提供的适应性情报
到目前为止,我们假设这些物剂是静态的 它们有固定的能力,固定的知识,固定的战略
但如果他们能 改善自身状况?
如果代理商能够:
如果系统能够 优化自己?
那时"集体情报"开始看起来像 学习学习学习.
当"学习"开始看起来像 进进进进进进进进进进进进 进进进进进进进进进进进 进进进进进进进进进进进进进进 进进进进进进进进进进进进进进进进进进进进 进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进进.
当你无法分辨"非常精密的优化"和"实际智能"的区别时
这就是我们接下来要去的地方
当我们探索重写自己代码的系统, 产生自己的专家, 发现最佳解决方案比最初的简单。
系列导航:
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.