智能体混合 (MoA)：一种协作式 AI 新架构
智能体混合 (MoA) 是一种新兴的 AI 架构，它利用多个独立的 AI 模型协作处理同一个任务，再由一个"聚合器"模型综合它们的输出来生成一个更高质量的最终答案。这种方法利用模型间的"协作性"，仅使用开源模型就在多个基准测试中超越了像 GPT-4 Omni 这样的顶尖专有模型。
核心结论
智能体混合 (Mixture of Agents, MoA) 是一种先进的 AI 系统架构，其核心思想是让多个独立的语言模型（即"智能体"）针对同一提示生成各自的答案，然后由一个最终的"聚合器"智能体将这些不同的答案综合成一个质量更高的单一回复 [1, 3]。这种协作模式使得一组相对较弱的开源模型能够通过集体智慧，在性能上超越顶尖的单一闭源模型 [3]。
概念背景
MoA 架构不同于常见的专家混合 (Mixture of Experts, MoE) 模型。MoE 在单个模型内部运行，通过一个路由网络将输入数据分配给模型内部最合适的"专家"子网络进行处理 [1, 5]。相比之下，MoA 是一个在推理层面运作的多模型系统，它协调多个完全独立的 AI 模型进行外部协作，而不是在模型内部进行分工 [1]。
技术原理
MoA 的工作流程通常包含两个关键角色：
- 提议者 (Proposers)：多个独立的语言模型接收相同的用户提示，并各自生成一份完整的回答方案。
- 聚合器 (Aggregator)：一个单独的、能力较强的语言模型接收所有"提议者"的方案，并进行复杂的推理。它并非简单地挑选最佳答案，而是识别和融合各个方案中的正确部分，解决它们之间的矛盾，最终综合成一个更全面、更准确的最终答案 [1, 3]。
该架构的有效性在很大程度上依赖于"提议者"模型的多样性。研究表明，使用来自不同架构和训练数据的模型（例如，同时使用 Llama、Qwen 和 Mistral 系列的模型）能产生更多样化的视角和信息，从而为"聚合器"提供更丰富的原材料，以构建出更稳健的最终输出 [5]。
关键演进
MoA 架构的理念虽然早已存在，但在 2025-2026 年间变得愈发实用，这主要得益于 AI 推理成本的大幅下降，使得为单次查询同时运行多个模型在经济上变得可行 [1]。一个重要的里程碑是，研究人员利用 MoA 架构，仅通过组合多个开源模型，就在 AlpacaEval 2.0 等权威基准测试中取得了超越 GPT-4 Omni 的顶尖成绩，证明了其巨大潜力 [3]。此外，该架构还支持分层迭代，即每一层智能体可以在前一层聚合输出的基础上进行进一步的优化和完善，形成一个不断精进的流程 [2, 5]。
实用价值
MoA 的核心价值在于通过"协作性"来提升 AI 的生成质量。研究发现，当一个语言模型看到其他模型的输出后，即使其他模型的输出质量较低，它自身生成答案的质量也会得到提升 [4]。这种集体智慧的模式能够有效减少单一模型可能出现的"幻觉"或知识盲点，从而产生更可靠、更全面的结果。对于追求极致性能和准确性的应用场景，MoA 提供了一条不依赖于单一超级模型的有效路径。
风险与限制
尽管 MoA 前景广阔，但仍面临一些挑战和风险：
- 延迟增加：由于需要并行或串行运行多个模型，并额外增加一个聚合步骤，MoA 系统不可避免地会增加响应时间。多层架构虽然能提升质量，但可能会使延迟增加数倍 [5]。
- 计算成本高：同时调用多个模型会消耗大量计算资源和 token，有研究指出，多智能体系统消耗的 token 数量可能是单智能体方案的 6 倍，而准确率提升却很有限 [5]。
- 系统稳定性风险：多智能体委员会可能像一个反馈系统，将输入中微小、无意义的扰动（如格式变化）放大，导致最终决策出现巨大偏差，这对系统的可靠性构成了根本性风险 [4]。
- 依赖聚合器质量：整个系统的性能高度依赖于"聚合器"智能体的提示设计和推理能力。一个设计不佳或自身产生幻觉的聚合器可能无法正确综合输入，反而会降低最终结果的质量 [1].
参考来源
- Mixture of Agents (MoA): 4 AI Models vs 1 — The Architecture That Could Redefine Intelligence (Level Up Coding, 2026-06-16)
- Mixture of Agents (MoA) on GPU Cloud: Deploy Multi-LLM Voting Architectures (2026 Guide) (Spheron Blog, 2026-05-08)
- Mixture-of-Agents Enhances Large Language Model Capabilities (arXiv, 2024-06-07)
- Collective AI can amplify tiny perturbations into divergent decisions (arXiv, 2026-04-03)
- Chapter 4: Agent Architecture — Patterns That Scale (Medium, 2026-05-03)