OPPO个性化AI实验室负责人，主要研究方向是AI个性化、智能体的自主进化和强化学习、以及大模型和智能体的记忆系统等。本文核心贡献者均来自OPPO个性化AI实验室的AI智能体团队。
近年来，以多智能体系统（MAS）为代表的研究取得了显著进展，在深度研究、编程辅助等复杂问题求解任务中展现出强大的能力。现有的多智能体框架通过多个角色明确、工具多样的智能体协作完成复杂任务，展现出明显的优势。然而，现阶段的 MAS 依然面临一些关键限制：
- 计算开销高：智能体之间频繁冗余的通信和复杂的工作流设计导致效率不高。
- 泛化能力有限：面对新领域或新任务时，需要大量的 prompt 设计与工作流配置。
- 缺乏数据驱动的学习能力：难以通过智能体任务数据实现持续提升性能。
- 底层的大语言模型（LLMs）未原生支持多轮、多智能体、多工具交互，仍依赖 prompt 工程实现。
同时，近期兴起的工具融合推理（TIR）模型，通过显式地将工具使用融入推理过程，显著提升了单智能体框架（如 ReAct）在信息检索任务中的表现。然而，传统的 TIR 模型，无法直接支持多智能体系统的原生训练与协作。
针对上述瓶颈，本文提出了一种全新的智能体推理范式——Chain-of-Agents（CoA）。与传统的 TIR 模型仅支持单一智能体的「思考-Agent 智能体行动-观察」模式不同，CoA 框架能够灵活定义多个角色和工具的智能体，在单一模型内动态激活，实现端到端的多智能体协作。
- 论文：https://www.arxiv.org/abs/2508.13167
- 主页：https://chain-of-agents-afm.github.io/
- 代码：https://github.com/OPPO-PersonalAI/Agent_Foundation_Models
- 模型：https://huggingface.co/collections/PersonalAILab/afm-models-e11d0b21a67c015ba8
- 数据：https://huggingface.co/collections/PersonalAILab/afm-datasets-eaad360ea5ccdcde1
与传统的 MAS 相比，CoA 无需复杂的 prompt 和工作流设计，降低了智能体间的通信开销，并支持端到端训练，显著提升了系统的效率和泛化能力。经过训练后，具备原生 CoA 问题求解能力的模型称为 Agent Foundation Model（AFM）。
在实验上，AFM 展示了卓越的性能和高效的推理能力，在近 20 项复杂任务和基准测试中全面刷新记录：在 Agentic 任务中，其在 GAIA 基准上以 32B 模型实现了 55.4% 的 Pass@1 成功率；在代码推理方面，AFM 在 LiveCodeBench v5 上的 47.9% 准确率和在 CodeContests 上的 32.7% 成绩均显著超越现有 TIR 方法。同时，它将推理成本（token 消耗）减少高达 85.5%，在保持领先性能的同时大幅提升效率。
CoA 的架构范式
发布者：Ai探索者，转载请注明出处：https://javaforall.net/244013.html原文链接：https://javaforall.net
