本文来自牛津大学工程科学系与计算机科学系，合作者包括 Eigent AI 的研究人员。一作 Samuele Marro 受微软研究院资助。

研究者提出了 Agora——一个面向异构 LLM 智能体网络的元通信协议（Meta Protocol）。其核心思路是根据通信频率分层处理：频繁通信走标准化程序，罕见通信用自然语言，中间地带靠 LLM 自己写的程序。在 100 个智能体的规模测试中，Agora 的运行成本仅为纯自然语言方案的约五分之一，且观察到了自组织的自动化协议涌现行为。

论文链接：https://openreview.net/forum?id=3WCtFJWRVc

通信三难困境：为什么智能体之间「说话」这么难

多智能体系统（Multi-Agent System, MAS）的研究可以追溯到上世纪 90 年代（Wooldridge & Jennings, 1995）。传统的基于规则的智能体范式虽然影响深远，却面临两个根本性限制：难以适应环境变化，且依赖结构化数据来交换信息——这严重限制了通用性。

LLM 的出现重新点燃了人们对智能体协作网络的兴趣。LLM 能理解自然语言、遵循指令、处理结构化数据，还能调用外部工具。然而，当你试图把大量异构 LLM 拉进同一个网络里协同工作时，通信本身就成了最大的瓶颈。研究者把这个问题提炼为「智能体通信三难困境」（Agent Communication Trilemma）。

三个属性互相拉扯。通用性（Versatility）要求协议能承载各种格式的消息；效率（Efficiency）要求计算和网络开销尽可能低；可移植性（Portability）要求接入协议的开发成本最小化。问题是，这三个目标很难同时满足。

拿两个极端来说。RESTful API 很高效，但每个端点都得手动定义，通用性差。RDF（Resource Description Framework）语义网的通用性很强，可开发者得实现具体的本体（Ontology）才能用，移植成本高。至于自然语言？通用性拉满，但每次通信都得调用 LLM，既贵又慢，还天然带有歧义性。

换句话说，不存在一种通信格式能同时搞定这三件事。研究者的判断是：那就别只用一种。

Agora 的解法：按频率分层的元协议

Agora 的核心设计理念用一个词概括就是——分层。它不发明新的通信格式，而是充当一个元协议（Meta Protocol），根据实际情况自动选择最合适的通信方式。

具体来说，通信方式按频率分为四个层次。最频繁的通信走人类编写的标准化程序（比如现成的 OpenAPI 接口），效率最高。次频繁的通信，如果尚无标准协议，就由 LLM 自己编写程序来处理结构化数据。对于一端频繁、另一端不频繁的情况，频繁端用程序，另一端用 LLM，各取所需。至于那些偶发的、一次性的通信，或者程序出错时的兜底——直接用自然语言。

这套分层策略的结果是：理论上支持任何形式的通信（最大通用性），但实际上绝大多数流量由高效程序处理（最大效率），而且程序的编写和协商全由 LLM 完成（最大可移植性）。

协议文档：协商与复用的基石

分层策略能跑起来，靠的是一个关键机制——协议文档（Protocol Document, PD）。

PD 是一份纯文本的协议描述，自包含、与具体实现无关。大多数现有的协议描述（比如 RFC）本身就符合 PD 的格式要求。PD 不依赖中心化的编号分配机构，而是通过哈希值唯一标识——这个设计直接支持了去中心化。

实际运作流程是这样的。当智能体 Alice 想和 Bob 通信时，她先附上对应 PD 的哈希值。Bob 查一下自己有没有匹配的程序。有，直接调用，不碰 LLM。没有，就用 LLM 处理。如果同一个协议 Bob 用 LLM 处理了好几次，成本开始累积，他就会让 LLM 为这个协议写一个专用程序，以后就不用再调 LLM 了。

PD 还可以在网络中传播。两个从未交互过的智能体，可以使用其他智能体协商好的协议——这为大规模网络中的协议扩散奠定了基础。

两个 Demo：从两个智能体到一百个

两智能体场景：一次协商，长期收益

第一个 Demo 展示基本原理。Alice 是一个基于 Llama-3-405B 的旅游预订助手，Bob 是一个基于 GPT-4o 的天气服务。Alice 需要定期查询伦敦的天气预报来提醒用户。

起初两人用自然语言对话。Alice 问：“2024 年 9 月 27 日伦敦天气如何？“Bob 回复：“预计有雨，气温 11°C，降水量 12mm。“每次这么聊都要调 LLM，成本很快就不划算。

于是 Alice 发起协商。几轮对话后，两人商定了一个 JSON 格式的协议：Alice 发送包含 location 和 date 的 JSON，Bob 返回包含 temperature、precipitation 和 weatherCondition 的 JSON。从此以后，双方的通信完全由程序处理，不再需要调用 LLM。

成本分析很直观：协商加程序编写总共花了 0.043 美元的 API 调用费，而一次自然语言对话平均 0.020 美元。也就是说，只要协议被使用超过两次，Agora 就开始省钱。整个过程没有任何人类参与。

百智能体场景：涌现的自组织协议

真正有意思的是第二个 Demo。研究者搭建了一个包含 100 个智能体的网络：85 个助手智能体和 15 个服务智能体。服务端提供酒店预订、出租车呼叫、外卖点餐等多种服务。网络中混用了 GPT-4o、Llama-3-405B 和 Gemini 1.5 Pro 三种模型，数据库则分别使用了 SQL 和 MongoDB。

研究者向网络投入了 1000 条随机查询，从简单的”查今天天气”到复杂的”在滑雪胜地订房间”不等。查询按帕累托分布分配，模拟现实中部分节点远比其他节点活跃的情况。

结果中出现了引人注目的涌现行为。以外卖配送为例：助手向餐厅智能体下单，餐厅智能体自动联系配送服务，配送服务再去查询交通数据智能体——整条链路自动串联，没有任何人工编排。研究者把这种现象称为「涌现协议」（Emergent Protocol）。更值得注意的是，与之前文献中观察到的「智能体倾向于使用更长消息」不同，Agora 网络中的智能体在效率激励下自发选择了更简洁的结构化通信。

成本对比同样有说服力。运行 1000 条查询，纯自然语言方案花费 36.23 美元，Agora 仅花费 7.67 美元——大约五倍的差距。而且随着查询继续增加，这个差距只会越来越大，因为越来越多的通信会从 LLM 处理切换到程序处理。

从成本结构来看，自然语言通信占了总成本的 54%，协议检查占 22%，程序实现占 17%，协商本身只占 6%——虽然协商是最贵的单次操作，但频率最低，所以占比反而最小。

总结

• 研究者提出了「智能体通信三难困境」的分析框架，指出通用性、效率和可移植性三者难以兼得
• Agora 通过按通信频率分层处理的策略，用标准化程序处理频繁通信、自然语言兜底罕见通信，绕过了三难困境
• 协议文档机制使得协商好的协议可以在网络中传播和复用，无需中心化机构
• 在 100 个智能体的实测中，Agora 的运行成本仅为纯自然语言方案的约五分之一
• 网络中观察到了自组织的涌现协议——多个智能体在无人干预的情况下自动形成完整的任务链

未来，随着 LLM 能力持续增强和智能体间交互日益频繁，如何构建去中心化、灵活且高效的通信框架，将是推动智能体网络从实验室走向实际应用的关键问题。Agora 展示了一种可行的路径：不追求一种通用方案，而是让系统自己选择最合适的通信方式。