最强证据说明了什么？
最直接的证据来自2025年一项关于协作式大语言模型多智能体强化学习的研究（AT-GRPO）。在长时程规划任务中，多智能体强化学习方法将准确率从单智能体强化学习基线的14%–47%提升至96%–99.5%[5]。这意味着多智能体系统从大多数时候失败转变为几乎每次都能成功——这明确表明它学会了避免困扰单智能体基线的那些错误。
同一项研究还报告称，在编码任务上平均提升了3.87%–7.62%，在数学任务上提升了9%–17.93%，这表明其益处不仅限于规划方面[5]。这些改进幅度大且在不同任务类型中表现一致，使其成为该组证据中最有力的证明，表明基于群体的多智能体强化学习能够防止长链条、多步骤工作流中的重复错误。
强化学习究竟如何防止错误重复？
一项2025年针对交互式数字代理（IDAs）的研究，在带状态的多领域环境中使用强化学习进行训练，发现该代理学会了查阅API文档、避免无根据的假设、减少虚构内容，并能从挫折中恢复[2]。这些正是防止长任务中重复犯错所需的行为：核实事实、不猜测，以及在出错后纠正方向。
经过强化学习训练的320亿参数智能体，在AppWorld基准测试[2]上比规模大得多的OpenAI o1智能体高出9个百分点（相对提升15%）。这表明，即使在单智能体场景下，强化学习也能教会智能体避免那种通常会在多步操作中累积的错误——而多智能体研究则在此基础上进一步引入了协作机制。
另一项2025年关于多智能体协同后训练（MAPoRL）的研究发现，通过强化学习对多个LLM进行协同训练，能显著提升多个数据集上的协作性能，并可泛化至未见领域[3]。作者明确指出，仅单独训练单个LLM不足以促进协作，这支持了“群体”这一要素对于避免因协调不佳而导致的错误至关重要的观点。
这在非LLM多智能体系统中也适用吗？
是的，这一原理不仅适用于语言模型。2023年一项关于基于模型的多智能体强化学习（MAG）的研究，解决了多步展开过程中局部预测误差在智能体间传播的问题[4]。通过将局部模型视为决策智能体，MAG减少了全局误差的累积，在StarCraft II基准上的实验也证明了其有效性[4]。这属于不同领域，但核心问题相同：在多步任务中，小错误可能滚雪球式放大，而多智能体协调有助于遏制这种放大。
2023年关于分布式多智能体强化学习用于边缘缓存的研究（DeepDMRE）也表明，多智能体协调能够提升长期性能，尽管其重点在于缓存而非错误规避[1]。与更简单的多智能体方法相比，其边缘命中率提高了约5%，相较于单智能体基线则提升了19%–40%[1]。虽然该研究并非专门针对错误重复问题，但它进一步印证了多智能体强化学习在序贯决策中能够优于单智能体方法。
关于这些资料来源
本回答基于5项同行评审研究——发表于2023年至2025年间，其中3项为2024年或之后发表，合计被引用244次——这些研究是从5项通过质量筛选的研究中选出的最具相关性的成果，而这些研究又源自从超过5亿篇论文数据库中检索到的49篇文献。
本文引用的文献
面向车联网中协作边缘缓存的分布式深度多智能体强化学习
在一项关于车联网边缘缓存的研究中，一种深度多智能体强化学习方法（DeepDMRE）在缓存容量为1,000 MB时，将边缘命中率相较于一种较简单的多智能体方法提升了约5%，相较于单智能体基线方法（Q-learning、LFU、LRU）则提升了19%至40%。
面向长时程交互式大语言模型智能体的强化学习
在一项关于交互式数字代理的研究中，在带状态环境（LOOP）下进行的强化学习训练，使一个320亿参数的代理在AppWorld基准上以9个百分点（相对提升15%）的优势超越了OpenAI o1。分析显示，该代理学会了查阅文档、避免臆断、减少虚构，并能从挫折中恢复。
MAPoRL：基于强化学习的多智能体协同大语言模型后协同训练
在一项关于大语言模型多智能体协同训练（MAPoRL）的研究中，使用强化学习对多个大语言模型进行协同训练，显著提升了多个数据集上的协作表现，并泛化到了未见过的领域，而单独训练单个大语言模型则效果不足。
模型即智能体：在基于模型的多智能体强化学习中优化交互式局部模型的多步预测
在一项关于基于模型的多智能体强化学习（MAG）研究中，将局部模型视为决策智能体，有效减少了多步展开过程中的误差传播，且在《星际争霸II》上的实验验证了其有效性。
Stronger-MAS：面向协作大语言模型的多智能体强化学习
在一项关于协作式大语言模型的多智能体强化学习研究（AT-GRPO）中，长时程规划准确率从单智能体强化学习基线的14%–47%提升至96%–99.5%，在编程任务上平均提升3.87%–7.62%，在数学任务上平均提升9%–17.93%。