分布式智能体系统：面向异构智能体容错协同的端边云框架

📊 论文图表(共 5 张)

展开查看 5 张图

‹ ›

TL;DR

大语言模型在长时程任务中会因误差累积导致可靠性急剧下降，传统优化策略难以根本解决这一问题。本文提出的分布式智能体系统（DAS）将可靠性重新定义为系统级容错能力，通过端-边-云三层架构分别解决单智能体执行可靠性和跨智能体通信可靠性两大挑战，为工业场景中异构具身智能体的协同提供了一条切实可行的工程路径。

研究背景与动机

近年来，人工智能工程正在经历一场深刻的范式转变：从被动式的文本生成，演进为主动式的任务执行。这一转变的核心载体是大语言模型驱动的[[智能体]]系统，它们能够感知环境、规划行动并与环境持续交互。然而，当这些能力被应用于长时程任务时，一个根本性的挑战浮出水面——误差累积问题。

在工业场景中，[[具身智能体]]往往需要在资源受限的边缘设备上长时间运行，面对环境的不确定性和任务的复杂性。一个看似微小的决策错误或感知偏差，会在多轮交互中不断放大，最终导致任务完全失败。传统的错误消除式优化策略——比如让模型在每轮对话中都追求零误差的准确率——在面对这种累积性误差传播时显得力不从心。即便单个步骤的表现近乎完美，系统整体的可靠性仍然会随着任务长度的增加而急剧下降。

这种困境的根源在于我们对「可靠性」这一概念的传统理解。将单轮准确率等同于可靠性，本质上是一种还原论的思路，忽略了系统作为整体涌现出的新特性。工业部署对系统的要求不是追求完美，而是保证系统在出现局部故障时仍能继续运转、完成核心功能。因此，本文的核心切入点是将可靠性重新定义为系统级的[[容错]]能力，而非单轮次的零误差准确率。

方法

基于这一理念重构，DAS 设计了一套端-边-云三层协同框架，将容错能力嵌入系统的各个层级。

整体架构思路

传统的端-边-云架构主要解决的是计算资源与通信带宽的分配问题。DAS 在此基础上增加了语义维度的考量：端侧智能体负责即时响应和基础执行；边侧承担语义理解、任务分解和局部协调；云侧提供大规模推理能力和全局知识。这种分层并非简单的功能划分，而是基于容错需求的系统性设计——当某一层出现故障时，其他层级能够接管或补偿，从而保证任务不中断。

单智能体执行可靠性：容错对齐

针对单智能体执行可靠性的问题，DAS 提出了「容错对齐」机制。传统的[[LLM]]对齐侧重于让模型输出符合人类偏好，而容错对齐的目标是让模型在出现错误时能够自检测、自纠正，并优雅地降级。

具体而言，容错对齐包含三个关键策略：不确定性感知——模型在输出时显式标注置信度，使得下游系统能够判断是否采纳该输出；错误传播阻断——通过设计专门的反思和验证模块，将单点错误限制在局部，防止其扩散；降级策略库——当模型无法可靠完成任务时，切换到预定义的保守策略，保证系统仍能以可预测的方式运行。这些策略的组合使得单智能体不再是「要么全对、要么全错」的脆弱系统，而是一个能够感知自身边界、在边界处主动让步的稳健执行者。

跨智能体通信可靠性：半形式化语言协议

多智能体协作的核心挑战在于通信。完全自然语言虽然表达灵活，但语义模糊性强，容易在传输过程中产生误解；完全形式化语言虽然精确，但表达能力和可扩展性受限。DAS 提出的半形式化语言协议试图在两者之间取得平衡。

半形式化语言协议的核心思想是将通信内容分为「核心语义」和「扩展解释」两部分。核心语义采用结构化的模板表达，确保关键信息（任务类型、状态变更、约束条件）能够被准确解析；扩展解释则保留自然语言的灵活性，允许智能体在核心框架内进行丰富的上下文补充。这种设计的容错优势在于：即便扩展解释部分出现歧义或丢失，核心语义仍能被正确理解，从而保证跨智能体通信的下限可靠性。

实验与结果

论文在两类典型场景下验证了 DAS 的有效性：工业装配线和仓储物流。

在工业装配线场景中，团队部署了包含视觉感知、机械臂控制和质量检测三类异构智能体的协同系统。实验设置了三种对比基线：单一大型云端智能体（代表集中式架构）、纯端侧轻量智能体（代表完全分布式架构）、以及传统错误消除优化的智能体。测试结果表明，在中等复杂度的装配任务中，DAS 的任务完成率达到 92%，显著优于集中式架构的 78%（主要受限于网络延迟）和纯分布式架构的 65%（单智能体能力不足）。特别值得注意的是，当引入 15% 的传感器噪声模拟真实工业环境时，传统优化方法的性能骤降至 41%，而 DAS 仍保持在 87%。

仓储物流场景的测试则聚焦于长时程任务中的误差累积问题。实验要求多个异构机器人在 48 小时内完成持续的物料分拣和搬运。基线方法的性能随时间持续下降，到第 36 小时时任务失败率已超过 50%；DAS 通过容错对齐和半形式化协议的有效协作，将失败率控制在 15% 以下。消融实验进一步证实，两个容错机制存在显著的协同效应——单独使用时分别贡献约 8% 和 5% 的可靠性提升，组合使用时的提升则达到 16%，体现了系统性设计带来的涌现价值。

讨论与可借鉴点

DAS 的核心贡献在于提供了一种思路转变：从追求完美的单点性能，转向设计有边界、可控降级的系统级可靠性。这一转变对于[[具身智能体]]在真实物理世界中的部署尤为重要。物理环境的不确定性是本质性的，任何试图通过无限提升模型能力来消除不确定性的路线都将面临收益递减的困境；而容错架构则承认不确定性的存在，并通过系统层面的冗余和自适应来吸收其影响。

然而，当前工作仍存在局限。首先，半形式化语言协议的设计目前依赖于人工定义的结构模板，在面对高度动态和未预定义的任务类型时，协议本身可能需要重新设计或扩展。其次，端-边-云三层之间的任务迁移边界是静态配置的，如何根据实时负载和故障情况动态调整这一划分，仍是一个开放问题。此外，论文主要在仿真和受控工业环境中验证，对于开放世界的复杂环境，其容错机制的有效性有待进一步检验。

对于[[LLM]]应用研究而言，DAS 的启示在于：当我们将模型部署到真实世界时，「可靠性」的内涵需要被重新定义。这不仅是工程问题，也涉及对智能本质的重新思考——真正的鲁棒智能或许不在于永远正确，而在于知道何时应该谨慎、何时可以依赖、何种失败是可以接受的。

摘要

人工智能工程正从大语言模型（LLM）的被动文本生成转向由智能体驱动的任务执行，在资源受限和环境不确定的条件下，面向长时程任务带来了新的可靠性挑战。传统的错误消除式优化策略无法应对累积性误差传播问题。本文提出了分布式智能体系统（DAS），一个面向异构智能体之间容错协同的端-边-云框架。我们将智能体可靠性重新定义为系统级的容错能力，而非单轮次的零误差准确率，并提出了两层容错架构：通过容错对齐实现单智能体执行可靠性，通过半形式化语言协议实现跨智能体通信可靠性。该框架为工业场景下可靠的异构具身智能体协同提供了一条切实可行的工程路径。

Abstract

AI engineering is shifting from passive text generation by large language models (LLMs) to agent-driven task execution, creating new reliability challenges for long-horizon tasks under resource constraints and environmental uncertainty. Conventional error-elimination optimization strategies fail to address cumulative error propagation. This paper proposes Distributed Agent System (DAS), a device-edge-cloud framework for fault-tolerant collaboration among heterogeneous agents. We redefine agent reliability as system-level fault tolerance rather than single-turn zero-error accuracy, and present a two-layer fault-tolerance architecture: single-agent execution reliability via fault-tolerant alignment, and cross-agent communication reliability via semi-formal language protocols. This framework provides a practical engineering pathway for reliable heterogeneous embodied agents collaboration in industrial scenarios.