多智能体团队中真正的问题出在哪里？
针对这一问题，目前最全面的研究分析了来自7个主流多智能体框架的1600余条带标注的失败轨迹，发现最主要的失败类别是系统设计问题——包括规划不周、角色定义模糊以及任务分解存在缺陷[3]。这类问题在失败案例中占比最高，其次是智能体间协作失调（各智能体目标相互冲突）。任务验证错误（即检查工作正确性的环节）虽占比相对较小，但仍是重要类别。而工具使用错误在该分类体系中并未被列为主要的失败模式。
一项独立研究构建了包含9,533条注入错误的智能体轨迹数据集，用于训练错误检测模型。研究发现，规划失败不仅是最常见的问题，也是最难归因于特定智能体的错误类型[2]。研究人员不得不设计特殊方法来检测这些失败，因为它们在后果累积之前往往看起来像正常行为。这进一步印证了核心脆弱性在于规划环节，而非工具使用。
为何规划常常失败？
这些失败并非随机发生。一项分析指出，多智能体系统的失败并非源于智能的局限，而是因为缺乏对智能体之间交互方式的治理[4]。当交互速度、耦合深度和角色依赖性在没有明确约束的情况下增加时，不稳定性便会可预测地出现。本文识别出特定的失败模式，例如“认知回音循环”（智能体相互强化彼此的错误假设）和“角色漂移”（智能体偏离其被分配的功能）——两者都是规划/协调层面的失败，而非工具错误。
即使在仓库机器人等受限的物理领域中，规划失败仍是关键瓶颈。一项关于终身多智能体路径规划的研究发现，当规划算法无法在规定时间内生成解决方案时，系统必须配备明确的“失败策略”，以避免碰撞和吞吐量崩溃[5]。研究人员指出，尽管行业从业者已在实践中使用此类备用策略，但这一领域此前并未得到正式研究——这表明规划失败是一个已知但研究不足的问题。
工具使用错误真的重要吗？
工具使用错误确实存在，但属于次要问题。大规模故障分类研究[3]并未将工具使用列为独立的故障模式——它被归入系统设计或任务验证范畴。错误注入研究[2]发现，工具相关错误（如格式错误的API调用、错误的参数传递）比规划错误更容易检测和归因，因此造成的整体损害较小。Claw AI实验室平台的实际演示表明，将智能体连接到真实代码库和数据集（即“Claw-Code测试框架”）可减少部分运行、结果报告格式错误等常见故障模式[1]——但这些属于执行层面的问题，并非团队失败的根本原因。
五项研究证据共同指向：规划与协调是主要的失败模式。工具使用错误虽更显眼，但影响较小。实际启示很明确：若你正在构建或调试多智能体系统，应优先投入角色定义、任务分解及智能体间通信协议的设计，而非急于解决工具访问问题。
关于这些来源
该答案基于5项研究（1篇经同行评审，4篇为预印本）——发表于2023年至2026年间，其中4篇为2024年或之后——这些研究是从通过质量筛选的5项研究中选出的最具相关性的成果，而该筛选基于从超过5亿篇论文的数据库中检索到的32篇文献。
本文引用的文献
Claw AI实验室：一个自主多智能体研究团队
Claw AI实验室在针对5个AI研究案例的平台评估中发现，通过Claw-Code Harness将智能体与真实代码库及数据集连接，减少了部分运行、结果报告格式错误等常见故障模式，但该研究侧重于执行集成，而非根本原因故障分析[1]。
Aegis：面向多智能体系统的自动化错误生成与归因
Aegis构建了一个包含9,533条注入错误的智能体轨迹数据集，并发现规划失败是最常见且最难归因于特定智能体的问题，需要专门的检测方法[2]。
为什么多智能体大语言模型系统会失败？
对7个多智能体框架中1600余条失败轨迹的分析，识别出14种失败模式，归为3大类。其中系统设计问题（包括规划）占比最大，其次是智能体间协调偏差，以及任务验证问题[3]。
多智能体系统并未失败——它们只是缺乏监管
认为多智能体不稳定性是一个结构性治理问题，而非能力问题，并识别出因未受监管的交互拓扑结构而产生的特定失败模式，如认知回音循环与角色漂移[4]。
适应终身多智能体路径规划中的规划失败
在终身多智能体路径规划中，超出时间限制的规划失败是一个关键瓶颈，需要明确的失败策略来避免碰撞和吞吐量崩溃；该研究指出，尽管这一领域已在工业中得到应用，但此前尚未经过正式研究[5]。