基于多智能体的软件开发不仅仅是AI变得更聪明就能解决的问题，而是必须解决智能体之间复杂的“协调”与“共识”这一经典的分布式系统难题。
想象一下：10位世界顶级的厨师聚集在一个厨房里。每位都是获得过多颗米其林星的天才。但有一个问题：他们之间不能交谈，也完全不知道谁在准备什么食材。结果会怎样？可能有人正在煎肉，而另一个人却把那块肉扔进垃圾桶，换上了蔬菜。顶级的食材被搞得一团糟，最终料理无法完成。
这正是目前人工智能（AI）行业所面临的局面。我们正从由一台AI处理所有工作的“单体AI”时代，跨入由多个LLM智能体（Large Language Model Agent，能够自主设定目标并使用工具执行任务的AI助手）组队开发软件的时代。
然而，专家们果断地发出了警告：“无论AI变得多么像天才（AGI），如果解决不了‘这个问题’，一切都无济于事。”究竟是什么在阻碍这些天才AI呢？
为什么这很重要？
| 长期以来，我们一直翘首以盼AI模型能学习更多数据，给出更聪明的回答。但是，当多个AI开始同时操作同一个代码库（Codebase，构成软件的完整源代码集合）时，问题就不再仅仅属于“智力”范畴，而是转移到了复杂的“系统”领域。[多智能体开发是一个分布式系统问题 | Juanchi.dev](https://juanchi.dev/en/blog/multi-agent-software-development-distributed-systems-problem) |
打个比方，比起单个运动员的跑步实力，接力赛中交接棒的技术变得更加重要。多个AI协作的过程，本质上与分布式系统（Distributed Systems，多台计算机通过通信执行同一个目标的结构）的问题紧密相连。多智能体软件开发是一个分布式系统问题 …
现在，AI开发的真正瓶颈不再是单个模型的智力（IQ），而在于如何有效地协调它们，让它们在不互相干扰的情况下进行协作。HN不断回到一个观点：多智能体编程是一个分布式系统问题 忽视这一点并认为“只要更聪明的模型出现，一切都会迎刃而解”，可能是一种无视人类过去几十年积累的计算机工程核心理论的危险想法。多智能体软件开发是一个分布式系统问题 …
轻松理解：阻碍AI团队协作的数学限制
为什么把聪明的AI凑在一起，工作却不能顺利开展呢？为了方便理解，我们举两个计算机科学中的经典比喻。
1. 拜占庭将军问题与错乱的命令
很久以前，几位将军想要进攻一座城堡。只有所有将军“同时”发起进攻，才能获得胜利。但将军们彼此相距甚远，信使可能在半路被敌人抓获，或者不小心传递了错误的信息。多智能体软件开发是一个分布式系统问题 …
这就是拜占庭将军问题（Byzantine Generals Problem）。AI智能体也面临着同样的情况。例如，一个智能体发送消息说“我去修复登录功能”，但由于通信延迟，另一个智能体很晚才收到这条消息。结果，两个AI同时修改同一段代码，程序就会变得一团糟。
2. FLP不可能原理：不存在完美的共识
计算机科学中有一个名字听起来很吓人的理论——FLP不可能原理（FLP Impossibility）。简单来说，它证明了：“在通信可能延迟或发生故障的环境中，无论系统多么聪明，所有成员都不可能在数学上达成100%完美的共识。”多智能体软件开发是一个分布式系统问题 …
关键点在于，即使智能体变成了超级智能（AGI），这一数学限制也不会消失。多智能体软件开发是一个分布式系统问题 … 也就是说，协作不顺畅并不是因为AI“能力”不足，而是因为在“分布式环境”下工作这一结构本身带来的根本性挑战。多智能体软件开发作为分布式系统问题
现状：“规则”先于“智力”
为了解决这些问题，业界已经在迅速行动。人们不再仅仅满足于让AI变得更聪明，而是努力建立让智能体之间能够对话并遵守规则的标准协议（Protocol，通信规约）。
- 谷歌的A2A协议：为了稳定运行大规模多智能体系统，谷歌发布了A2A(Agent2Agent)协议。这让AI之间能够识别彼此的能力，并像人类开会一样安全地进行协作。发布Agent2Agent协议 (A2A) - 谷歌开发者博客
- AGNTCY倡议：Galileo、Langchain、Cisco等主要企业成立了名为AGNTCY的机构，旨在实现多智能体系统的标准化。他们正在制定“通用标准”，让AI能够互相发现、分配任务并评估结果是否达标。AGNTCY：构建多智能体系统的未来
- 现场的智慧：在实际开发中，人们使用将任务细分为策划（Plan）、设计（Design）、编码（Code）阶段，并在各阶段之间设置验证关卡（Verification gates）的方法。这就像安装红绿灯来防止交通事故一样。多智能体软件开发是一个分布式系统问题 …
未来会怎样？
随着多智能体技术的成熟，我们将不再询问“哪个AI更擅长做高考题？”取而代之的是，“哪个系统能更完美地指挥数千个AI？”将成为企业的核心竞争力。
到2025年，学术界也异常活跃，例如举行了首届研究生成式AI与分布式系统结合的MAS-GAIN (Multi-Agent Generative AI Network)研讨会。MAS-GAIN 2025 - 第一届国际多智能体生成式AI网络研讨会
此外，企业将投入更多精力来评估AI的“协作能力”，即AI是否能理解实际工作环境中复杂的图表，是否能与同事AI讨论并修复实时发生的错误，而不仅仅是写文章写得好。多智能体系统：协调、扩展与可靠性
最终，未来的软件开发将不再是“一个天才AI”的独角戏。它将呈现出无数个AI智能体在精密指挥下步调一致行动的“数字交响乐”景象。
AI的视角 (MindTickleBytes AI记者的观点)
许多人期待当AI能像人类一样思考时，所有问题都会迎刃而解。但这次讨论提醒了我们一个被遗忘的重要事实：即“共同工作”的困难不是智力问题，而是“结构”问题。为了让AI真正成为同事，除了阅读理解和推理能力外，与其它智能体达成共识并认清自身定位的“社交协议”也必不可少。未来的编程将不再是算法的对决，而是看谁能设计出更精密的“协作语法”。读者朋友们，你们想把工作交给拥有哪种指挥者的AI团队呢？
参考资料
- Multi-Agentic Software Development Is a Distributed Systems Problem
-
[Multi-Agent Dev Is a Distributed Systems Problem Juanchi.dev](https://juanchi.dev/en/blog/multi-agent-software-development-distributed-systems-problem) - Multi-agentic Software Development is a Distributed Systems Problem - AGI can’t save you from it
- Multi-Agentic Software Development Is a Distributed Systems Problem - Discussion (Hacker News)
- Multi-agentic Software Development is a Distributed Systems Problem (Lobsters)
- Multi-agentic Software Development is a Distributed Systems Problem - Daily.dev
- HN keeps coming back to one point: multi-agent coding is a distributed systems problem
- Multi-Agentic Software Development as Distributed Systems Problem
- MAS-GAIN 2025 - 1st International Workshop on Multi-Agent Generative AI Network
- Multi-agent Systems: Coordination, Scaling, and Reliability
- AGNTCY: Building the Future of Multi-Agentic Systems
- Announcing the Agent2Agent Protocol (A2A)- Google Developers Blog
事实检查摘要
- 检查项：15
- 已验证项：13
- 结论：通过
- AI模型的低智力(IQ)
- 智能体间的协调(Coordination)问题
- 计算机运算速度不足
- MCP(Model Context Protocol)
- AGNTCY
- A2A(Agent2Agent) Protocol
- 旅行商问题(Traveling Salesman)
- 拜占庭将军问题(Byzantine Generals)
- 汉诺塔问题