Chain-of-Agents：让AI像团队一样协作完成任务的新范式

Figure 1: AFM在多个基准测试中表现优异

引言：当AI学会”团队协作”

想象你正在策划一场大型活动，需要同时处理场地预订、餐饮安排、嘉宾邀请等多项任务。如果让一个人独自完成所有工作，效率可能很低；但如果组建一个团队，每个成员负责不同领域，协同工作就能事半功倍。

最近，AI领域也出现了类似的”团队协作”突破。在2025年8月20日发布的论文中，OPPO AI团队提出了名为**Chain-of-Agents（CoA）**的新框架，让单个AI模型能像多智能体系统一样动态任务分解、工具调用和协作推理，在复杂任务中表现远超传统方法。

本文将用通俗易懂的方式，为您解析这个可能改变未来AI工作方式的重要技术。

一、现有AI系统的”痛点”

1.1 传统方法的局限性

目前主流的AI系统主要存在三大问题：

痛点 传统TIR方法 多智能体系统
计算效率 低（重复通信） 高（需要复杂流程设计）
通用性 固定流程难扩展 需要大量重新配置
学习能力 难以通过数据优化 无法直接训练提升

就像一个只能按固定流程操作的机器人 vs 需要大量人工调度的团队。

1.2 一个典型案例

假设要回答”2024年AI领域有哪些突破？”这个问题：

  • 传统TIR方法：像流水线工人一样按固定步骤执行

    1. 调用搜索工具找信息
    2. 分析搜索结果
    3. 生成回答

  • 多智能体系统：像分工明确的团队

    1. 规划员分解任务
    2. 搜索员收集信息
    3. 分析师整理数据
    4. 总结员撰写回答

但传统多智能体系统需要复杂的流程设计，且各”队员”之间沟通成本高。

二、CoA框架：让AI学会”动态组队”

2.1 核心思想

CoA框架的核心创新在于：让单个AI模型能像指挥家一样动态调用不同”智能体”。

Figure 2: TIR与CoA范式对比

就像一个经验丰富的项目经理，可以根据任务需要实时组建团队：

  • 需要搜索信息时，调用”搜索员”
  • 需要代码编写时，调用”程序员”
  • 需要验证结果时，调用”质检员”

2.2 两大核心组件

CoA框架包含两种关键”角色”：

A. 角色扮演智能体（高管团队）

  • 思考智能体：全局协调，激活专业智能体
  • 规划智能体：分解任务为可执行步骤
  • 反思智能体：自我批判，修正错误
  • 验证智能体：检查推理完整性

B. 工具智能体（专业团队）

  • 搜索智能体：生成优化查询，优先处理可靠来源
  • 爬取智能体：并行内容提取，解析技术细节
  • 代码生成智能体：在沙盒环境生成并执行代码

2.3 工作原理

与传统”思考-行动-观察”（ReAct）循环不同，CoA的工作流程更像是动态团队协作：

当前状态 → 激活专业智能体 → 执行任务 → 更新状态 → 重复

就像项目经理根据项目进展，实时调整团队成员的工作重点。

三、如何训练这样的”AI团队”？

3.1 多智能体知识蒸馏

核心思路：从现有优秀的多智能体系统中提取”协作模式”，教给单个AI模型。

就像：

  1. 录制优秀团队的工作过程
  2. 分析每个决策点（谁在什么情况下做了什么）
  3. 将这些模式转化为训练数据
  4. 用这些数据训练新模型

3.2 渐进式质量过滤

研究团队设计了四层过滤机制，确保训练数据的质量：

  1. 复杂度过滤：排除交互少于5次的简单任务
  2. 质量过滤：移除错误答案、冗余操作等”脏数据”
  3. 反思增强：优先保留包含自反思机制的轨迹
  4. 错误修正轨迹上采样：对通过迭代修正最终正确的样本进行加权

3.3 基于代理的强化学习

在监督训练基础上，进一步通过强化学习优化模型：

Web Agent奖励函数：

  • 关注最终答案正确性（通过LLM作为裁判评分）
  • 不需要格式验证奖励（前期训练已保证）

Code Agent奖励函数：

  • 同时考虑答案正确性和格式正确性
  • 代码任务需通过沙盒环境所有测试用例

四、实验结果：性能显著提升

4.1 多跳问答（MHQA）基准测试

在7个数据集上的平均准确率：

模型 3B参数 7B参数
AFM-SFT 39.7% 41.7%
AFM-RL 41.3% 45.5%

关键发现：即使只在NQ和HotpotQA上训练，模型在其他未见数据集上表现依然出色，体现了强大的泛化能力。

4.2 复杂网络任务基准

在GAIA、BrowseComp、HLE等 benchmark上：

基准 AFM表现 对比提升
GAIA 55.3% +2.1%超过WebSailor
BrowseComp 11.1% 32B模型新SOTA
HLE 18.0% 超越WebThinker-RL
Figure 3: AFM在多个网络智能体基准测试中表现优异

4.3 代码智能体实验

在LiveCodeBench v5和CodeContests上的Pass@1准确率：

模型 LiveCodeBench v5 CodeContests
AFM-RL-32B 47.9% 32.7%
ReTool-32B 23.4% 10.3%
Reveal-32B 42.4% –

五、深入分析：为何CoA更高效？

5.1 计算效率

与OAgents、WebThinker等方法相比：

指标 AFM优势
工具调用次数 最少
令牌消耗 最低（减少84.6%）
推理延迟 明显改善
Figure 5: AFM与MAS和TIR方法效率对比

5.2 未见智能体泛化

有趣发现：

  • 代码智能体模型可以正确调用未训练过的Web搜索工具
  • Web智能体模型尝试调用Python执行器时频繁失败

这说明：

  • 严格格式训练（如代码）能提升工具调用的鲁棒性
  • 动态协作能力在不同任务间存在差异

5.3 测试时扩展

增加候选答案数量（Pass@3）能显著提升性能：

基准 AFM AFM-Pass@3
GAIA 55.3 69.9 (+14.6)
HLE 18.0 33.2 (+15.2)

六、相关工作

6.1 多智能体系统

传统多智能体系统（如OAgents）面临：

  • 智能体间通信成本高
  • 缺乏全局状态表示
  • 难以端到端训练

6.2 工具集成推理

从CoT到TIR的发展：

  • CoT：适合内部知识推理
  • TIR：引入外部工具调用
  • 现有方法：静态模板或单工具优化

6.3 推理强化学习

现有RL方法局限：

  • 缺乏多工具协同机制
  • 多步序列奖励稀疏

七、总结

CoA框架通过将多智能体协作能力嵌入单个模型，实现了：

  1. 高效协作：动态调用专业智能体，减少通信成本
  2. 强大泛化：跨领域任务表现优异
  3. 端到端优化：支持监督训练和强化学习

未来展望：随着AI系统越来越复杂，像CoA这样的”团队协作”框架可能会成为主流，让AI能像人类团队一样高效处理复杂任务。

八、常见问题（FAQ）

Q: CoA框架与现有TIR方法的主要区别是什么？
A: 传统TIR像固定流程的工人，CoA像能动态组队的团队，可根据任务需要灵活调用不同”专业智能体”。

Q: AFM模型在哪些任务上表现最好？
A: 在需要多工具协作的任务（如GAIA基准）和数学推理任务（如AIME25）上提升最显著。

Q: 该技术何时会应用到实际产品中？
A: 论文已开源模型权重、训练代码和数据集，为未来研究奠定基础，但具体产品化时间表尚未公布。

Q: 普通开发者如何体验CoA框架？
A: 可访问项目开源地址：https://github.com/OPPO-AI/Chain-of-Agents 获取模型和代码。

Figure 4: 训练框架概览