COOP\(^2\): Defining, Observing, and Repairing Cooperation in LLM Multi-Agent Systems¶
会议: NeurIPS 2026
arXiv: 2603.00349
OpenReview: https://openreview.net/forum?id=WWrTVADZAi
代码: https://happyeureka.github.io/coop2
领域: 大模型智能体
关键词: LLM多智能体系统, 协作评测框架, 约束判定, 过程级诊断, 交互修复
一句话总结¶
提出了将LLM多智能体协作高层认知与底层环境原语解耦对齐的评测与干预框架COOP\(^2\)，通过四类可验证协作约束量化多智能体动态过程，并设计基于前瞻约束预测的靶向修复机制显著提升任务成功率。
研究背景与动机¶
大语言模型驱动的多智能体系统（LLM-MAS）在复杂软件构建、具身协作和策略博弈等长程任务中展现出强大潜力。然而，盲目增加智能体数量往往无法线性提升任务表现，因为有效的协作本质上取决于智能体之间如何动态协调行动、分工同步并满足随时间演化的任务约束。在LLM-MAS中，高层规划、自然语言对话和任务修正发生在抽象的符号认知空间，而任务的实际推进则依赖于物理环境底层的具体动作执行。这种高层推理与底层执行的分离，引入了认知时钟与环境时钟的异步性，导致智能体极易出现局部动作阻塞、死锁或目标脱节。
当前针对多智能体系统的评估基准普遍陷入了“结果论”的局限。大多数评测体系将协作视为最终任务成功的隐式伴随副产物，仅通过最终任务完成率、代码单元测试通过率或最终准确率等终局指标进行衡量。这种黑盒式评价无法回答团队究竟何时产生了有效协作、每次通信交流对环境推进起到了多大作用，以及协作失败的具体根源：一个多智能体系统可能仅凭单个高能力智能体的单打独斗便成功完成任务，也可能团队成员沟通常见且积极、却因某一关键的前置依赖或空间对齐失败而满盘皆输。
针对上述认知与原语断层及过程黑盒痛点，本文提出必须将协作本身作为一个可观测、可形式化度量且可在线干预的一等公民（first-class object）。核心 idea：通过构建连接高层符号决策与底层环境状态转移的认知-原语双层接口，将协作任务形式化为由时空、能力与依赖构成的状态转移约束门控，并据此设计前瞻性失效预测与靶向通信修复机制COOP\(^2\)-Repair。
方法详解¶
整体框架¶
COOP\(^2\)建立在认知层（Cognitive Layer \(\mathsf{C}\)）与原语层（Primitive Layer \(\mathsf{P}\)）的双层解耦架构之上。认知层刻画大模型智能体的符号推理、自然语言通信、任务规划及中断重规划；原语层刻画底层物理环境的状态变迁与联合动作执行。连接两者的“接地桥梁”（Grounding Bridge）通过时钟对齐映射 \(\kappa(\hat{t})\) 将异步认知区间与离散环境步对齐，把高层工具操作展开为非确定性的原语动作序列。在此基础上，任务被形式化为受四类协作约束守护的状态转移过程，而COOP\(^2\)-Repair则在原语动作下发前根据集体规划预判约束违背并动态开启修复通道。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["环境观察与上下文输入<br/>Agent Observation & Task Context"] --> B["认知-原语解耦接口<br/>MAEIL状态机: R/W/X/I"]
B --> C["四类可验证协作约束判定<br/>空间/时间/能力/依赖约束"]
C --> D{"约束可行性预测<br/>Feasibility Check"}
D -->|存在违背风险| E["靶向通信修复通道<br/>COOP2-Repair 动态建组与重规划"]
E --> B
D -->|满足全部约束| F["接地桥梁执行动作<br/>Grounding Bridge & Joint Actions"]
F --> G["环境状态转移与过程轨迹日志<br/>Task Progress & Cooperation Trace"]关键设计¶
1. 认知-原语双层接口与多智能体交互循环：解耦高层符号规划与低层动作执行 传统多智能体系统缺乏对异步思考时间与物理执行时间的区分。COOP\(^2\)设计了多智能体环境交互循环（Multi-Agent Environment Interaction Loop, MAEIL），为每个智能体维护四阶段状态机 \(\hat{\mathcal{Q}}_{i,\hat{t}} \in \{\mathsf{R}, \mathsf{W}, \mathsf{X}, \mathsf{I}\}\)，分别对应推理（Reasoning）、等待其他智能体提交规划（Waiting）、底层执行（Execution）和被外部消息打断（Interrupted）。当所有活跃智能体均提交了非终止规划时触发 \(\mathsf{C} \to \mathsf{P}\) 转换推进环境时钟；一旦任意智能体规划终止、失效或收到新通信消息时，触发 \(\mathsf{P} \to \mathsf{C}\) 转换使其异步返回认知层。
2. 四类可验证协作约束形式化：将协作转化为受门控的状态转移过程 为彻底打破终局评价的黑盒限制，COOP\(^2\)将协作任务 \(g \in \mathcal{G}_t\) 建模为受约束集合 \(\mathcal{C}_g\) 门控的状态转移。约束涵盖四种基础类型： - 空间与关系约束（\(\Delta \ell\)）：要求参与智能体与目标对象或彼此保持特定空间构型（如MA-Crafter中的采集距离曼哈顿步长 \(\le 1\)、CUBE中推箱子接触面的空间对齐）； - 时间与同步约束（\(\Delta t\)）：要求多个智能体在同一物理步必须严格采取协同动作（如多智能体同时执行推动指令）； - 参与与能力约束（\(n\)）：要求执行团队的规模达到法定人数阈值 \(p(g)\) 且个体拥有对应资质（如长文本上下文长度或工具前置技能）； - 依赖约束（\(d\)）：要求前置技术树解锁或对应工具齐备（如木镐采集石头、石镐采集铁矿）。 任务推进概率直接由参与群体对上述约束的联合满足概率决定，任意约束破裂即可精确定位协作失败原因。
3. COOP\(^2\)-Repair自适应修复机制：前瞻性故障预判与靶向通信重规划 在传统多智能体架构中，智能体盲目执行错误规划直至环境反馈失败，浪费宝贵的时间与决策开销。COOP\(^2\)-Repair在认知层规划提交完毕、原语动作执行之前，对聚焦同一任务的目标群体 \(\mathcal{I}_{g,t}\) 的集体计划进行轻量级约束可行性预检。若预测满足概率低于阈值 \(\tau_c\)，系统自动提取预期违背的约束子集 \(\widehat{\mathcal{C}}_{g,t}^{-}\)，并仅针对相关智能体打开临时修复通道 \(\mathcal{R}_{g,t}\)。通道内智能体接收包含失败原因的定向诊断上下文进行针对性重新协商，必要时打断并拉入外部具有互补能力的智能体，显著避免了无谓的全网广播与死锁。
损失函数 / 训练策略¶
COOP\(^2\)核心定位为面向LLM多智能体系统的通用评测与在线修复框架，不依赖梯度更新或强化学习参数微调，全部动作生成与交互决策由冻结参数的大语言模型在结构化Schema驱动下零样本或少样本完成。在多线程异步环境循环中，各智能体以Pydantic校验的数据模型输出结构化动作（如MoveAction、CollectAction、CraftAction及带有显式推理过程的LLMPlanResponse）。评估以带有时钟硬预算的加权回报最大化为目标： $$ R(\tau) = \sum_{t=0}^{T^\star} \sum_{g \in \mathcal{G}_t} r(g) \cdot \mathrm{Done}(g), \quad T^\star = \min {T, \kappa(\hat{T})} $$ 其中 \(r(g)\) 为根据任务约束复杂度赋予的分值，\(T\) 为离散环境最大步数，\(\hat{T}\) 为认知耗时墙上时钟上限。该设计迫使系统平衡高层思考/通信延迟与底层实际执行步数，真实反映协作开销对系统净收益的影响。
实验关键数据¶
主实验¶
论文在两个长程复杂具身协作环境MA-Crafter和CUBE上，对GPT-5.4、GPT-5.4-mini及Llama-4-Scout-17B-16E三种骨干模型，在独立决策（Individual）、中心化协调（Centralized）和链式讨论（Chain）三种通信拓扑以及3智能体和6智能体规模下进行了全面评测（每项配置重复5次，报告均值与标准差）。下表汇总MA-Crafter上的核心表现：
| 骨干模型与规模 | 通信结构 | 团队总分 (Score ↑) | 环境步数 (Steps) | 步均得分 (Score/Step ↑) | 总决策耗时 (Total Dec. s) | 空间违背率 (Spat. Viol. ↓) | 依赖违背率 (Dep. Viol. ↓) |
|---|---|---|---|---|---|---|---|
| 3-agent GPT-5.4-mini | Individual | 146.8 ± 141.6 | 117.4 ± 13.0 | 1.26 ± 1.29 | 196.1 ± 8.1 | 0.10 ± 0.07 | 0.23 ± 0.23 |
| 3-agent GPT-5.4-mini | Centralized | 39.4 ± 24.3 | 88.4 ± 12.1 | 0.45 ± 0.30 | 251.9 ± 5.3 | 0.12 ± 0.08 | 0.57 ± 0.17 |
| 3-agent GPT-5.4-mini | Chain | 29.4 ± 5.7 | 61.8 ± 11.9 | 0.49 ± 0.10 | 200.0 ± 3.7 | 0.05 ± 0.05 | 0.44 ± 0.26 |
| 3-agent GPT-5.4 | Individual | 809.0 ± 405.8 | 99.8 ± 10.0 | 8.22 ± 4.25 | 170.5 ± 7.1 | 0.43 ± 0.06 | 0.24 ± 0.09 |
| 3-agent GPT-5.4 | Centralized | 266.8 ± 174.1 | 68.2 ± 3.9 | 3.96 ± 2.67 | 220.7 ± 12.0 | 0.36 ± 0.08 | 0.11 ± 0.07 |
| 3-agent GPT-5.4 | Chain | 181.6 ± 84.5 | 54.2 ± 3.9 | 3.37 ± 1.58 | 201.3 ± 7.3 | 0.37 ± 0.05 | 0.07 ± 0.06 |
| 6-agent GPT-5.4-mini | Individual | 86.8 ± 34.5 | 82.2 ± 4.2 | 1.06 ± 0.45 | 322.4 ± 8.2 | 0.11 ± 0.04 | 0.38 ± 0.27 |
| 6-agent GPT-5.4-mini | Centralized | 141.8 ± 89.2 | 63.4 ± 8.3 | 2.18 ± 1.31 | 401.9 ± 51.3 | 0.13 ± 0.05 | 0.25 ± 0.12 |
| 6-agent GPT-5.4-mini | Chain | 27.4 ± 6.1 | 22.6 ± 1.3 | 1.20 ± 0.22 | 332.9 ± 18.1 | 0.13 ± 0.08 | 0.38 ± 0.13 |
| 6-agent GPT-5.4 | Individual | 691.4 ± 303.5 | 68.4 ± 3.7 | 9.92 ± 3.99 | 215.0 ± 9.7 | 0.47 ± 0.04 | 0.17 ± 0.08 |
| 6-agent GPT-5.4 | Centralized | 230.4 ± 167.0 | 46.0 ± 3.0 | 4.83 ± 3.33 | 326.5 ± 16.5 | 0.43 ± 0.06 | 0.06 ± 0.07 |
| 6-agent GPT-5.4 | Chain | 34.6 ± 14.8 | 21.2 ± 3.7 | 1.63 ± 0.63 | 349.9 ± 17.0 | 0.25 ± 0.04 | 0.00 ± 0.00 |
消融与机制分析：CUBE推箱子环境协同对比¶
在CUBE环境中，智能体必须协同推动需要多倍体力的重物方块（重量1-3对应所需同步推动智能体数）。下表展示了不同协作拓扑下的关键指标与违约解构：
| 设置与通信结构 | 最终得分 (Score ↑) | 环境步数 (Steps) | 交互消息数 (Msg.) | 规划中断数 (Intr.) | 空间违背率 (Spat. Viol. ↓) | 时间同步违背率 (Temp. Viol. ↓) |
|---|---|---|---|---|---|---|
| 3-agent mini (Individual) | 3.0 | 116.0 | 0.0 | 0.0 | 0.20 | 0.26 |
| 3-agent mini (Centralized) | 3.0 | 80.0 | 54.0 | 29.0 | 0.27 | 0.30 |
| 3-agent mini (Chain) | 1.0 | 54.0 | 48.0 | 46.0 | 0.17 | 0.23 |
| 6-agent mini (Centralized) | 0.0 | 75.0 | 126.0 | 97.0 | 0.10 | 0.64 |
| 6-agent GPT-5.4 (Centralized) | 6.0 | 59.0 | 55.0 | 40.0 | 0.41 | 0.55 |
| 6-agent GPT-5.4 (Chain) | 1.0 | 23.0 | 35.0 | 28.0 | 0.31 | 0.33 |
关键发现¶
- 模型推理越强，协作规划越接地：GPT-5.4的总分与步均得分在绝大多数匹配设置下达到了GPT-5.4-mini的5至8倍，Llama-Scout的20倍以上。强模型能够根据工具依赖主动从低阶资源采集（木材）向高价值复杂工序（工具合成、采石采矿）迁移，大幅减少依赖违背率。
- 智能体并非越多越好（Communication \(\neq\) Cooperation）：当智能体从3个扩充至6个时，无协调的个体竞争加剧，即使是GPT-5.4得分也下降约15%（809.0 \(\to\) 691.4）；而在中心化与链式结构中，消息数和中断数翻倍导致严重的时间开销，在受限的墙上时钟预算下反而减少了实际有效物理推进步数。
- 约束违背类型揭示差异化瓶颈：实验证明依赖性违背（Tool Dependency）与基础模型逻辑能力强相关；但空间对齐违背（Spatial Alignment）在各骨干模型间均居高不下（36%~43%），表明当前LLM普遍缺乏扎实的具身空间几何感知与协同避障推理。
- 靶向修复有效逆转执行阻塞：在COOP\(^2\)-Repair干预下，3-agent GPT-5.4-mini在积攒足够木材后被成功识别“目标滞后”，触发修复引导合成木镐并转向开采石头与煤矿，显著提升后期得分爬升速率。
亮点与洞察¶
- 将协作过程确立为可观测的一等公民：改变了以往仅看终局成功率的粗粒度黑盒评测习惯，将多智能体协作细化拆解为认知时钟与环境时钟的对接，并映射至四类原子级约束违背度量。
- 引入真实时钟预算的开销平衡机制：通过在评测中绑定墙上思考时间预算，深刻揭示了多智能体“交流越多并不等于协作越好”的技术内幕，量化了推理延迟与通信拥堵对执行效率的严重侵蚀。
- 极具通用性的轻量靶向修复设计：COOP\(^2\)-Repair无需重新设计复杂Prompt或微调参数，仅通过预判约束破裂并在相关智能体间开启最小临时频道，实现了“低通信载荷下的高鲁棒协同”，具有极佳的工程落地价值。
局限与展望¶
- 约束判定与预测器依赖规则启发式：当前COOP\(^2\)-Repair的约束满足度评估主要依赖任务特定的轻量启发式规则，缺乏对未知非结构化场景的可泛化端到端学习型预测模型。
- 环境复杂性与角色异构性有限：实验主要集中在MA-Crafter与CUBE网格环境，智能体能力同质化程度较高；未来需向开放域代码开发、三维仿真环境以及具备异构工具箱的真实业务系统拓展。
- 中断恢复机制较为简单：目前智能体收到中断通知后仅在“恢复当前计划”和“完全重规划”二者做离散选择，缺乏更精细的局部计划修剪（Plan Splicing）与状态快照恢复能力。
相关工作与启发¶
- vs MetaGPT / AutoGen / AgentVerse: 这些框架侧重于人工硬编码角色工作流或静态通信拓扑，默认协作能自然产生，缺乏底层物理接地与微观交互约束的量化指标；COOP\(^2\)通过细粒度认知-原语接口与四类约束度量，精准捕捉到了“沟通活跃但协作失效”的根本原因。
- vs EmbodiedBench / MultiAgentBench: 现有基准仅根据任务最终成败评分，无法区分“单兵侥幸通关”与“真正多智能体高效协同”；COOP\(^2\)提供了过程级的细粒度跟踪日志与可验证因果诊断能力。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ 首次建立了LLM多智能体系统的认知-原语解耦架构，形式化定义了四类可验证协作约束。
- 实验充分度: ⭐⭐⭐⭐⭐ 涵盖3种主流模型、3种通信拓扑、2类环境及双团队规模，提供了详尽的消融与轨迹诊断。
- 写作质量: ⭐⭐⭐⭐⭐ 概念形式化严谨，理论建模与工程系统设计闭环完整，图表与论述极具说服力。
- 价值: ⭐⭐⭐⭐⭐ 为多智能体系统的可解释评测、瓶颈诊断与动态交互干预提供了开创性的基准与方法参考。