在現代人工智能中，智能體的規模和複雜性正在以前所未有的速度擴展。單個智能體在處理複雜任務時往往面臨計算能力和知識覆蓋的限制，而多智能體系統的出現為解決這一問題提供了可能。然而，隨着智能體數量的增加和任務複雜度的提升，如何確保智能體之間能夠高效、可靠地協作，成為設計分佈式智能系統的核心挑戰。

傳統的多智能體系統通常依賴於同步調用或點對點通信來完成任務分配與結果收集。這種模式在小規模系統中可以實現基本功能，但在大規模、異構環境下容易出現延遲堆積、通信瓶頸和任務調度衝突，從而影響系統整體性能與結果質量。因此，需要一種能夠將任務拆解、智能體能力匹配、協作過程管理和結果整合有機結合的機制，以支持高效的多智能體協作。

在這一背景下，結構化協作和語義編排的概念隨之產生。結構化協作強調通過明確的任務分解和多輪反饋機制，實現智能體之間高效的信息交換和任務優化；語義編排則通過任務語義和智能體能力驅動的調度機制，使 orchestrator 能夠動態分配子任務、協調多智能體執行並保證輸出一致性。通過這兩者的結合，系統不僅可以提升任務完成效率，還能夠在異構、多任務的環境下保持高可靠性和可擴展性。

Liggesmeyer 等人提出的 Federation of Agents（FoA）框架正是針對這一問題的實踐方案。該框架採用 MQTTv5 協議構建通信基礎，實現任務週期的語義化管理，並通過動態集羣通信、多輪反饋優化以及能力廣播機制，實現結構化協作。實驗結果顯示，在大規模多智能體環境中，FoA 能夠顯著提高任務完成效率、減少資源浪費，並保證輸出的一致性和可驗證性。

1 結構化協作的本質

在大規模智能體系統中，單個智能體無法獨立完成高複雜度任務，系統性能的提升依賴於多智能體之間的協作效率。因此，理解結構化協作的本質成為設計高性能系統的關鍵。結構化協作並非簡單的任務分工，而是一種基於任務語義、智能體能力和反饋機制的多層次協作體系。

FoA 框架通過集羣通信和多輪反饋實現這一目標。每個子任務在分配給智能體後，允許在限定輪數 內進行 refinements（迭代改進），形成如下遞推關係：

其中， 表示第 輪智能體 對子任務的輸出， 為參與同一集羣的其他智能體集合， 表示由集羣反饋形成的改進量。通過迭代，子任務輸出趨於收斂，集羣形成一致的結果，確保多智能體協作既高效又可靠。

結構化協作還體現在能力廣播和任務匹配機制上。智能體定期通過 -gossip 協議發佈能力向量 ，系統利用能力匹配函數：

選擇最適合的智能體執行子任務 ，其中 表示任務 的資源需求或能力需求向量。該評分函數保證任務分配符合智能體特性，同時為多智能體系統提供可量化的優化依據。

FoA 框架的實驗結果顯示，即使在異構、帶寬受限的環境下，結構化協作也能顯著提升任務完成率和輸出一致性。這一機制不僅解決了任務分配和協作效率問題，還為大規模智能體系統提供了可擴展、可驗證的協作策略。

2 語義編排的核心原理

結構化協作的高效運行依賴於語義編排機制。語義編排強調任務調度和智能體協作不僅依賴於靜態分配規則，還需要理解任務本身的語義信息，以動態形成分配策略和通信流程。在 FoA 框架中，語義編排通過 MQTTv5 協議實現任務週期的全面管理。

每個新任務 在提交到 orchestrator 時，會被分解為子任務集合 ，並形成一個依賴圖 。語義編排通過分析任務屬性 （例如輸入數據類型、輸出約束和依賴關係），以及智能體能力向量 ，動態形成調度函數 ：

其中， 表示分配給智能體 的子任務集合。調度函數不僅考慮智能體能力，還通過集羣通信和多輪反饋優化任務執行順序，以保證輸出一致性和效率最大化。

在協作執行階段，語義編排通過臨時集羣通道實現智能體間的信息交換與中間結果融合。設智能體集羣為 ，每輪迭代中，各智能體交換結果 並根據集羣策略函數 更新自身輸出：

該策略函數 將任務語義與集羣輸出結合，確保多輪協作的結果逐漸收斂，併兼顧任務優先級和依賴約束。

此外，FoA 的語義編排機制在安全和合規方面也體現出優勢。策略執行事件（policy enforcement events）在獨立的 MQTT 主題中廣播，使得任務執行過程中的合規檢查與審計能夠無縫嵌入通信框架，而不會干擾主任務執行。這種設計不僅提升了系統透明度，還增強了複雜任務在異構環境下的可管理性。

語義編排與結構化協作緊密結合，共同構建了一個面向大規模智能體的高效執行體系。通過任務語義驅動的調度與集羣反饋優化，FoA 能夠在異構硬件和有限資源環境下保持高性能，實現大規模智能體系統在多任務場景下的可擴展性和魯棒性。

3 MQTT 基於通信的工作流

在大規模智能體系統中，實現高效的結構化協作與語義編排，需要一個可靠、可擴展、低延遲的通信機制。FoA 框架選擇 MQTTv5 作為其核心通信框架，以支撐異構智能體集羣的任務調度、能力廣播、協作執行和結果收集。MQTT 協議提供了輕量級的發佈/訂閲（publish/subscribe）語義，同時支持質量等級保證（Quality of Service, QoS），使其在大規模異構系統中成為理想選擇。

3.1 任務週期管理與主題結構

在 FoA 中，每個任務 從提交到完成經歷完整週期，其通信完全通過 MQTT 主題進行管理。任務週期包括以下階段：

1. 任務提交（Submission）：新任務通過專用主題 tasks/submit 發佈至 orchestrator，形成初始任務流。
2. 能力廣播（Capability Dissemination）：各智能體 通過更新主題 agents/capabilities 廣播能力向量 。更新採用 -gossip 協議，確保整個智能體網絡的一致性。
3. 任務分配（Assignment）：orchestrator 根據任務需求向量 與智能體能力向量 的匹配度 執行任務分配。
4. 協作執行（Collaborative Execution）：當子任務需要多智能體協作時，orchestrator 創建臨時集羣主題 cluster/<task_id>。集羣內智能體通過多輪反饋 迭代優化輸出。
5. 策略執行與合規（Policy Enforcement）：策略事件通過獨立主題廣播，確保執行過程中嵌入審計與合規檢查。
6. 結果收集（Result Aggregation）：各智能體在完成任務後將輸出發佈至全局結果主題 tasks/results，orchestrator 根據任務依賴圖 聚合最後結果。

通過上述主題結構，FoA 實現了任務從提交到完成的全程通信管理，形成一個語義驅動的可追蹤流程。

3.2 多智能體集羣通信機制

在 FoA 框架中，集羣通信是結構化協作的核心環節。設集羣

集羣內每個智能體在第 輪迭代中對子任務輸出 進行更新：

其中 表示基於其他智能體反饋和任務語義的改進量。通過多輪迭代，集羣輸出趨於收斂：

FoA 對集羣規模與迭代輪次進行了限制：每個集羣最多包含 4 個智能體，迭代上限為 輪，以控制延遲與能耗。智能體可跨多個集羣參與任務，但每個任務的單次執行超時設置為 300 秒。這一機制保證了系統在異構硬件環境下的可調控性和穩定性。

3.3 智能體能力管理與匹配

每個智能體的能力向量 定義了其在不同任務維度上的處理能力。任務 的需求向量 定義了其對能力的要求。FoA 利用向量匹配函數進行分配：

通過此餘弦相似度評分，orchestrator 將子任務分配給最適合的智能體，確保能力與任務需求高度匹配。在集羣通信過程中，智能體能力向量可以動態更新，支持自適應任務調度。

3.4 安全性與可審計性

在大規模智能體網絡中，任務執行過程的安全性和可審計性至關重要。FoA 在 MQTT 主題中引入策略執行事件（policy enforcement events），通過獨立主題廣播，實現合規性檢查和審計日誌記錄。

3.5 實驗環境與性能指標

FoA 的實驗在一台配備 Intel Xeon w5-2455X CPU、63 GB 內存和 NVIDIA RTX A4000 GPU 的工作站上完成。每個智能體使用 4-bit 量化的小型語言模型（最大 20B 參數），通過 Ollama API 運行。任務執行平均耗時約 536.7 秒，並使用 HealthBench Hard 數據集評估任務性能。實驗結果顯示，MQTT 基於通信的工作流在任務調度、集羣協作和結果收集方面均表現出高效性、可擴展性和穩定性。

4 實驗與應用分析

4.1 典型實驗環境與計算資源

實驗在一台配備 Intel Xeon w5-2455X CPU、63GB 內存和 NVIDIA RTX A4000 GPU 的工作站上進行。GPU 採用 16GB GDDR6 內存加速，CUDA 12.8 支持深度學習任務。網絡使用 10 Gbit/s 以太網，操作系統為虛擬化 Red Hat 環境。

4.2 小型語言模型的選擇與量化優化

FoA 使用 4-bit 量化小型語言模型，包括 GEMMA3、Qwen3、Deepseek-R1 和 GPT-OSS。實驗中採用 medgemma3 作為默認模型，以優化延遲和能耗，同時保持高質量輸出。

4.3 HealthBench基準的評估方法

任務採用 HealthBench Hard 1000 條對話進行評估，使用 medgemma:27b 作為評分器，通過簡單評估（simple-evals）流程進行平均和 bootstrap 標準差計算，保證結果的統計可靠性。

4.4 結果分析與協作效率評估

實驗結果顯示，結構化協作和語義編排顯著提高多智能體協作效率。多輪反饋優化機制減少錯誤率，中間結果整合機制保證輸出一致性，動態集羣通信降低通信開銷。系統在 1-4 個智能體集羣中保持穩定性能，並支持智能體重複參與不同任務。

4.5 系統性能、可靠性與擴展性的體現

FoA 系統在不同實驗條件下表現出高可靠性和可擴展性。通過 MQTTv5 協議的 QoS 和 Delta-gossip 協議，保證異步環境下任務一致性和中間結果傳遞可靠性。GPU 資源高效利用，延遲和能耗控制合理，為大規模智能體系統提供可行的解決方案。

參考文獻

Giusti, L., Werner, O. A., Taiello, R., Costa, M. C., Tosun, E., Protani, A., Molina, M., Lopes de Almeida, R., Cacace, P., Santos, D. R., & Serio, L. (2025). Federation of Agents: A Semantics-Aware Communication Fabric for Large-Scale Agentic AI. arXiv. https://arxiv.org/abs/2509.20175