开源 LLM 多智能体系统的问题、成因与解决方案实证研究

该研究从 21 个开源 LLM 多智能体系统项目中收集 22848 条已关闭 issue，经自动化与人工混合筛选后得到 944 条与多智能体相关的 issue。分析显示，编排与执行问题出现最频繁，工作流问题、工具集成问题和记忆问题是最主要成因，优化工作流是主流解决方案，并据此提出面向实践者与研究者的改进建议。

此前关于 LLM 多智能体系统的讨论多集中于能力演示与架构设计，缺少对真实开源项目故障分布的大样本量化证据。该研究用近千条真实 issue 给出问题类型、成因与解决方案的优先级排序，使工程团队能按实际高频痛点而非直觉分配精力。

多智能体系统在单模型调用之外引入了角色分工、消息传递、工具调用与状态记忆等额外环节，任一环节的耦合都可能放大为执行失败。因此问题更多集中在编排与执行层，并向下追溯到工作流定义、工具接口与记忆机制，而非单纯模型能力不足。

对产品与研发团队的直接影响是：在构建或接入多智能体框架时，应优先投入编排与执行链路的可观测性、工具集成稳定性和记忆管理，而非先扩展智能体数量。工作流优化被视为主要解法，意味着流程编排工具与调试能力可能成为采购与自研的重点。

• 为多智能体应用提供编排与执行链路的可视化调试与失败重放工具，降低定位编排问题的成本。
• 围绕工具集成提供标准化适配层与错误处理中间件，减少工具调用导致的运行失败。
• 提供可观测的记忆管理组件，支持会话状态检查、清理与一致性验证。
• 建立面向多智能体项目的 issue 分类与健康度评估服务，帮助团队对照高频问题排查自身系统。

• 944 条 issue 在 21 个项目间的分布是否均衡，是否存在个别项目主导结论的情况。
• 该研究的结论是否适用于闭源或企业内部的 LLM 多智能体系统。
• 优化工作流具体包含哪些可复用的工程实践，研究中是否给出可操作的方案细节。
• 不同框架或拓扑结构之间的问题分布是否存在显著差异。