企业官网建设流程全解析

• 教程
• 人工智能
• 机器学习
• 深度学习

本课是 AI-For-Beginners 课程第 23 课（属于 "Other AI Techniques" 部分），聚焦Multi-Agent Systems（多智能体系统）。文章从"涌现（emergent）智能"这一核心思想出发，介绍智能体（Agent）的定义与分类、多智能体系统的典型应用场景，并通过开源的多智能体建模环境NetLogo手把手演示如何用极简规则模拟鸟群、交通、人群等复杂系统；最后深入"深思式智能体（Deliberative Agents）"的通信要素与 BDI 架构。读完本文，你将能独立打开并运行 NetLogo 内置模型、理解create-turtles/ask/breed等核心建模语法，并具备为一个真实问题设计多智能体解决方案的思维框架。

什么是多智能体系统：协同产生智能

多智能体系统（Multi-Agent Systems）在 1990 年代作为人工智能的一个研究方向兴起，其背景是互联网与分布式系统的快速成长。经典 AI 教科书《Artificial Intelligence: A Modern Approach》在介绍 AI 时，正是从多智能体系统的视角展开论述的。

这一方向所依赖的核心思想被称为涌现（emergent）或协同（synergetic）方法，其基本论断是：

许多相对简单的智能体（agents）组合在一起后，其整体行为可能比系统本身更加复杂（或更加"智能"）。

理论上，这一思想建立在集体智能（Collective Intelligence）、涌现论（Emergentism）与演化控制论（Evolutionary Cybernetics）等原则之上。它们共同指出：当低层级系统被合理地组合成高层级系统时，高层级系统会获得某种"额外价值"——这就是所谓的元系统跃迁原则（principle of metasystem transition）。

换句话说：智能不一定要写进某个单一的程序里，它可以从大量简单个体的交互中"冒"出来。这正是多智能体系统与传统单智能体 AI 最本质的差异。

智能体（Agent）的定义与分类

多智能体方法的核心概念是Agent（智能体）——一个"生活在某个环境中、能够感知环境并对环境施加影响"的实体。这是一个非常宽泛的定义，因此智能体有许多不同的类型与分类方式：

从上表可以看出，"智能体"这个概念横跨了从"极简触发器"到"复杂推理器"的整个光谱。后面我们会在 NetLogo 中看到最简单的反应式智能体如何工作，也会讨论更复杂的深思式智能体需要具备哪些能力。

多智能体系统的典型应用场景

多智能体系统如今已广泛应用于众多领域，以下四类最为典型：

• 游戏领域：大量非玩家角色（NPC）都运行着某种 AI 逻辑，它们本质上就是一个个智能体。
• 视频制作：渲染包含人群的复杂 3D 场景时，通常采用多智能体模拟来生成逼真的人群行为。
• 系统建模：用多智能体方法模拟复杂系统的行为。例如多智能体方法曾被成功用于预测 COVID-19 的全球传播；同样的思路也可以用来模拟城市交通，观察交通规则的改变会如何影响整体车流。
• 复杂自动化系统：让每个设备都作为独立智能体工作，使整个系统不再是一个僵化的单体（monolith），从而更加健壮、更具弹性。

理解多智能体系统的直观途径是"多智能体建模（Multi-Agent Modeling）"。下面我们就用开源建模环境NetLogo亲手体验一把。

上手 NetLogo：一个面向多智能体建模的编程环境

NetLogo 是一个基于 Logo 编程语言改进而来的多智能体建模环境。Logo 语言最初是为了向儿童传授编程概念而设计——你可以控制一个名为turtle（海龟）的智能体，让它移动并留下轨迹，从而绘制出各种复杂的几何图形。这种"可视化理解智能体行为"的方式，让 NetLogo 成为学习多智能体系统的绝佳起点。

你可以从 NetLogo 官网下载安装程序并本地运行。安装完成后，打开任意模型即可体验。

核心语法：创建与指挥智能体

在 NetLogo 中，可以用create-turtles命令一次性创建多个 turtle，然后用ask让所有 turtle 执行某组动作。例如下面的代码创建 10 只 turtle，并让它们全部向前移动 10 步：

create-turtles 10 ask turtles [ forward 10 ]

当然，让所有 turtle 做完全相同的事并不有趣，因此我们可以用ask有选择地指挥某一类turtle——例如那些位于某个点附近的 turtle。我们还可以通过breed命令创建不同"品种（breed）"的 turtle：

breed [cats cat]

注意breed需要同时给出复数形式和单数形式（这里是cats和cat），因为不同命令会使用不同形式以增强代码可读性。

✅ 本课不深入讲解 NetLogo 语言本身。如果你想系统学习，可以参考社区著名的 "Beginner's Interactive NetLogo Dictionary" 资源。

模型库：无需从零开始的起点

NetLogo 的一大优势是内置了一个可运行模型库（Models Library）。打开菜单File → Models Library，你会看到按类别整理的大量模型：

比如我们可以打开Biology → Flocking（鸟群）模型，直接观察多智能体行为的经典案例。

主界面与世界的构成

打开模型后，你会进入 NetLogo 主界面。以自带的"狼与羊捕食（Wolf Sheep Predation）"模型为例，该模型模拟了在有限资源（草）条件下狼群与羊群的数量变化：

在这个界面上可以看到：

• Interface（界面）部分，其中包含：
  • 主场地（field）：所有智能体生活与活动的区域；
  • 各类控件：按钮、滑块（sliders）等，用于控制与调整模拟参数；
  • 图表（graphs）：用于展示模拟过程中的参数变化（例如种群数量曲线）。
• Code（代码）标签页：内置编辑器，在这里编写 NetLogo 程序。

在绝大多数模型中，界面都设有Setup按钮（初始化模拟状态）与Go按钮（开始执行）。它们由代码中对应的处理过程（handler）实现，结构大致如下：

to go [ ... ]

NetLogo 的世界由以下三类对象构成：

• Agents（turtles，智能体/海龟）：可以在场地上移动并执行动作。通过ask turtles [...]语法指挥它们，方括号中的代码由所有智能体以turtle 模式（turtle mode）执行。
• Patches（瓦片）：场地上的正方形小区域，智能体生活其上。你可以引用同一瓦片上的所有智能体，也可以改变瓦片颜色等属性；同样可以用ask patches让瓦片执行动作。
• Observer（观察者）：一个独一无二的"上帝视角"智能体，控制整个世界。所有按钮的处理过程都以observer 模式（observer mode）执行。

✅ 多智能体环境的美妙之处在于：运行在 turtle 模式或 patch 模式下的代码，会被所有智能体在同一时刻并行执行。因此，只需编写很少的代码、定义好单个智能体的行为，就能让整个模拟系统表现出极其复杂的行为。这正是"小规则 → 大涌现"的生动体现。

Flocking 模型：三个简单规则如何造就鸟群

作为多智能体行为的经典范例，我们重点分析Flocking（鸟群）模型。鸟群飞行是一种复杂的集体模式：看着一群鸟飞翔，你会以为它们遵循某种集体算法，甚至拥有某种"集体智能"。然而，这种复杂行为实际上只源于一个朴素的机制——每只鸟（个体智能体）只观察短距离内的少数同伴，并遵循三条简单规则：

• 对齐（Alignment）：朝邻近智能体的平均朝向（heading）转向；
• 聚合（Cohesion）：尝试朝邻近智能体的平均位置转向（可理解为"长距离吸引"）；
• 分离（Separation）：当离其他鸟过近时，试图移开（可理解为"短距离排斥"）。

你可以运行 Flocking 示例直观观察这些行为，并调整参数，例如：

• 分离程度（degree of separation）；
• 视野范围（viewing range）：定义每只鸟能"看到"多远。

两个很有启发性的实验：

• 把视野范围调为0：所有鸟都"失明"，鸟群行为立刻停止；
• 把分离程度调为0：所有鸟聚集到一条直线上。

✅ 切到Code标签页，你会看到对齐、聚合、分离这三条规则在代码中的实现位置。注意观察：代码是如何只引用那些"在视野内"的智能体的——这是整个鸟群现象成立的关键前提。

值得动手尝试的其他内置模型

模型库中还有几个很有教育价值的模型：

• Art → Fireworks（烟花）：展示一场烟花如何被看作"多股独立火光流的集体行为"；
• Social Science → Traffic Basic与Social Science → Traffic Grid：分别模拟一维与二维网格上的城市交通（带/不带红绿灯）。每辆车遵循以下规则：
  • 若前方空间为空——加速（直到某个最大速度）；
  • 若看到前方障碍物——刹车（你还可以调节司机的"可视距离"）；
• Social Science → Party（聚会）：模拟人们在鸡尾酒会上如何聚集成群。你可以尝试找到使群体"幸福感"最快上升的参数组合。

从这些例子可以看出：多智能体模拟是一种理解复杂系统的非常有效的方式——特别是当系统由许多遵循相同或相似逻辑的个体组成时。同样的技术也可以用来控制虚拟智能体，例如电脑游戏中的 NPC，或 3D 动画世界中的角色。

深思式智能体：从"反应"走向"推理与规划"

上面在 NetLogo 中看到的智能体都非常简单，它们只是按照某种算法对环境变化做出反应，因此属于反应式智能体（reactive agents）。然而，有些智能体能够推理并规划自己的行动，这类智能体被称为深思式智能体（deliberative agents）。

一个典型例子是：一个人工智能个人助理接到主人的指令——预订一趟度假行程。假设互联网上存在许多能帮忙的智能体，那么它需要逐一联系其他智能体，查询哪些航班可用、不同日期酒店的价格，并尝试协商出最优价格。当度假计划完成后并得到主人确认，它才能继续执行预订。

要完成这样的协作，智能体必须能够通信（communicate）。成功的通信需要具备以下要素：

• 标准的知识交换语言：例如知识交换格式（Knowledge Interchange Format，KIF）与知识查询与操作语言（Knowledge Query and Manipulation Language，KQML）。这类语言的设计基于言语行为理论（Speech Act theory）；
• 协商协议：基于不同的拍卖类型（auction types）设计谈判流程；
• 共同本体（common ontology）：所有智能体引用同一套概念并理解其语义，避免"各说各话"；
• 能力发现机制：基于某种本体，让智能体能够发现"其他智能体各自能做什么"。

BDI 架构：信念—愿望—意图

深思式智能体远比反应式智能体复杂，因为它们不仅要对环境变化做出反应，还要能主动发起行动。为此，学界提出了一种经典架构——BDI 智能体（Belief-Desire-Intention，信念—愿望—意图）：

• Beliefs（信念）：智能体关于其环境的知识集合。它可被组织为知识库（knowledge base）或一组规则，智能体可将其应用于环境中某个具体情境。
• Desires（愿望）：定义智能体"想做什么"，即它的目标。例如上面个人助理智能体的目标是预订行程，而酒店智能体的目标是利润最大化。
• Intentions（意图）：智能体为实现目标而计划执行的具体行动。行动通常会改变环境，并引发与其他智能体的通信。

面向多智能体系统的构建平台

市面上已有一些用于构建多智能体系统的平台，例如JADE（Java Agent DEvelopment Framework）。此外，业界还有综述论文对多智能体平台做过系统梳理，并回顾了多智能体系统的历史与各种使用场景。

结论：协同效应是多智能体系统的灵魂

多智能体系统可以呈现非常多样的形态，应用于许多不同的场景。但它们的共同点是一致的：

系统设计者聚焦于单个智能体的简单行为，而系统的整体复杂性则来自个体之间交互所产生的协同效应（synergetic effect）。

理解这一点，就能理解为什么"多智能体系统"既是一种建模工具，也是一种关于"智能如何产生"的深刻视角——复杂行为可以从简单规则的组合中自然涌现。

🚀 实战挑战：把本课带到现实世界

尝试构思一个能解决实际问题的多智能体系统。例如：

• 校车路线优化：一个多智能体系统需要做什么，才能优化校车路线？
• 面包房运营：多智能体系统在面包房里可以如何工作？

尝试回答：系统中的"智能体"是谁？它们的信念、愿望与意图分别是什么？它们需要如何通信？

课后练习：NetLogo 作业

本课配套的 NetLogo 作业 要求你：

1. 从 NetLogo 模型库中选取一个模型，尽可能贴近真实地模拟一个现实情境；
2. 一个好例子是：调整Alternative Visualizations文件夹下的Virus（病毒）模型，用它模拟 COVID-19 的传播——你是否能构建出一个贴近真实病毒传播过程的模型？
3. 保存你的工作副本，并录制视频演示，说明模型与真实世界情境之间的联系。

这份作业非常适合用来巩固本课学到的全部核心概念：定义智能体、设计简单规则、观察涌现行为、评估模型与现实的契合度。

• 教程
• 人工智能
• 机器学习
• 深度学习