当AI智能体从几个扩展到几百个，系统级问题——调度、协调、治理——迅速成为比模型能力更致命的瓶颈。

核心观点：当前多智能体框架普遍失败的根本原因不是技术细节不够精致，而是它们错误地将‘智能体’视为可独立优化的单元，忽视了系统级调度、协调和治理才是规模化瓶颈，这种‘组织问题’需要一种控制平面架构来解决。

在AI领域，我们正在经历一场奇怪的重复。每隔几年，就会有一项新技术被捧为‘下一个大事件’，然后被大量框架和工具淹没，最后，大多数项目都以失败告终。多智能体系统正在经历这个周期。我们看到大量的框架涌现，它们承诺让你轻松构建多智能体应用。它们关注提示工程、工具使用、消息传递。它们看起来很棒——在演示中。但当你试图扩展到几百个异构智能体时，一切都会崩溃。为什么？因为大多数框架都建立在同一个错误的假设上：智能体是独立的、可优化的单元。你只需要给每个智能体一个好的提示、一些工具，然后让它们互相通信，一切就会自动协调。这就像认为，只要你给每个工人最好的工具，一个建筑工地就会自动高效运作。但现实是，建筑工地需要项目经理、调度员、质量控制员。它需要协议、规则、争议解决机制。它需要治理。这就是为什么大多数多智能体框架在规模化时失败的原因。它们没有处理‘组织问题’。材料中提到的‘open-kraken’的控制平面架构，正是针对这个问题。它不把智能体当作孤立的单元，而是把整个系统当作一个组织来设计。它引入了调度、协调、治理和故障恢复作为核心架构组件。这听起来很技术性，但本质上是常识：当你有很多移动部件时，你需要一个系统来管理它们。这个观点与我在其他材料中看到的趋势一致。例如，‘SynapseKit’的创建者抱怨说，大多数Python LLM框架在异步支持上撒谎。它们声称支持异步，但底层是同步的，使用ThreadPoolExecutor包装器。这在高并发场景下是致命的。这不是一个小问题。这是架构级的失败。为什么框架会这样？因为设计者优先考虑的是‘易用性’而不是‘可扩展性’。他们想让开发者快速上手，所以隐藏了复杂性。但当你需要性能时，这种隐藏变成了障碍。同样的问题也出现在多智能体框架中。它们让你快速启动几个智能体，看起来一切正常。但当你需要处理调度、优先级、资源分配、故障传播时，你会发现这些框架没有提供任何抽象。你必须自己处理所有系统级问题。这引出一个更深层的问题：为什么AI社区如此痴迷于‘智能体’的概念？我认为，这是因为我们仍然沉浸在一种‘拟人化’的思维中。我们喜欢把AI系统想象成‘智能体’——有目标、有行动、有交流的实体。这种隐喻很有吸引力，但它也是危险的。它让我们忽略了系统的整体性。一个由一百个智能体组成的系统，其行为不能通过理解单个智能体来预测。它有自己的涌现属性。就像一个蚁群，你不能通过理解一只蚂蚁来理解蚁群。你需要理解蚂蚁之间的相互作用、信息流、劳动分工。多智能体框架的失败，从根本上说，是一种‘层次混淆’。它们在错误的层次上进行了优化。它们优化了智能体的个体能力，而忽略了系统层面的架构。这就像建造一座城市，只关注每栋建筑的设计，而忽略了道路、水电、垃圾处理。结果是一个无法运转的城市。材料中提到的‘How I Traced a Memory Leak’案例，也说明了类似的问题。那个内存泄漏只有在长时间运行后才会出现。短期分析无法捕捉到它。这说明系统性问题往往是隐性的，需要专门的方法来发现和解决。对于多智能体系统，这种系统性风险更是被放大了。因为智能体之间的交互会产生复杂的、非线性的行为。一个智能体的故障可能会级联到整个系统。一个死锁可能会让所有智能体停滞。这些不是提示工程可以解决的问题。它们需要架构层面的保障。那么，正确的做法是什么？我认为，我们需要从‘智能体为中心’转向‘系统为中心’。我们需要把多智能体系统当作一个分布式计算系统来设计，而不是当作一组聊天机器人。这意味着我们需要引入经典分布式系统中的概念：一致性协议、故障检测、领导者选举、分区容错。这些概念在AI领域被忽视了，但它们对于构建可靠的、可扩展的系统至关重要。同时，我们还需要新的、专门针对AI工作负载的抽象。例如，如何管理智能体的‘注意力’？当有几百个智能体时，每个智能体不可能处理所有信息。我们需要机制来过滤、路由和优先处理信息。这不仅仅是消息传递的问题。这是信息管理的问题。另一个关键问题是治理。谁来决定智能体的行动是否合规？谁来解决冲突？谁来分配资源？在大多数框架中，这些决定要么是硬编码的，要么是留给开发者自己处理的。这不可扩展。我们需要可配置的、动态的治理机制。这听起来像是一个巨大的工程挑战。确实如此。但这也正是机会所在。因为大多数框架都失败了，所以有空间来构建更好的东西。材料中提到的‘open-kraken’是一个例子。但还有很多其他方法。例如，我们可以借鉴组织理论。企业如何管理数千名员工？它们有层级、有流程、有文化。我们可以将这些概念应用到多智能体系统中。我们可以设计智能体的‘组织结构’——团队、部门、矩阵。我们可以设计‘工作流’——标准操作程序、审批流程、异常处理。我们可以设计‘激励机制’——奖励那些合作良好、效率高的智能体。这听起来很复杂，但比当前的‘让智能体自由交流’的方法更可预测、更可控。而且，这是必要的。因为随着AI系统变得越来越强大，它们将承担越来越重要的任务。我们不能让它们以混乱的方式运行。我们需要确保它们是可靠的、安全的、可解释的。这不仅是技术问题，也是伦理问题。如果AI系统要做出重要决策，我们需要能够信任它们。而信任来自于架构，而不是来自提示。最终，多智能体系统的成功将不取决于我们是否能让智能体‘更聪明’，而取决于我们是否能设计出更好的‘组织’。这是一个思维转变。从‘智能体’到‘系统’。从‘个体智能’到‘集体智能’。从‘优化局部’到‘优化全局’。这是AI的下一个前沿。而那些意识到这一点的人，将有机会构建真正可扩展、真正可靠的系统。