在長周期、多步驟的協(xié)作任務中，傳統(tǒng)單智能體往往面臨著任務成功率隨步驟長度快速衰減，錯誤級聯(lián)導致容錯率極低等問題。

為了應對這些問題，就需要構(gòu)建具備全局規(guī)劃與因果依賴管理能力的分布式智能體框架，并在真實游戲中驗證效能。

基于此，來自港科廣和騰訊的研究團隊提出了CausalMACE方法，通過將因果推理機制系統(tǒng)性地引入開放世界多智能體系統(tǒng)，為復雜任務協(xié)同提供了可擴展的工程化解決方案。

目前，該工作已中稿EMNLP 2025 Findings。

全局因果任務圖

為了讓一群AI像項目團隊一樣，既分工明確又能動態(tài)調(diào)整。論文提出“全局因果任務圖”概念，讓AI學會“如果-那么”的邏輯。

換句話說，就是先搭地基再砌墻，先找食材再下鍋。

具體來說，全局因果任務圖包含兩個部分：

• 因果干預模塊：引入平均處理效應 (ATE) 量化每條依賴邊與游戲規(guī)則的一致性，自動剔除由大模型先驗幻覺導致的錯誤依賴
• 負載感知調(diào)度：基于 DFS 路徑搜索與動態(tài)“繁忙率”指標，實現(xiàn)多智能體實時任務再分配

而在方法框架層面，CausalMACE則包含“判斷”、“規(guī)劃”、“執(zhí)行”三個環(huán)節(jié)。

Judger——“裁判”

實時驗證動作是否合法，并給出成敗反饋，保證所有智能體在同一套游戲規(guī)則下行動。

Planner——“總工”

先把復雜任務拆成若干“小工單”，一次性列清。

然后再按游戲規(guī)則畫一張“粗線條流程圖”。

之后，再用因果推理“精修”這張圖，對每一條先后關系，讓大模型回答“如果游戲規(guī)則變了，這條先后關系還成立嗎？”

如果，所有規(guī)則改變均不影響關系的成立，就刪掉這條關系，避免 AI 做無用功。

經(jīng)過這輪“去偽存真”，得到一張干凈、可執(zhí)行的任務因果圖。

Worker——“調(diào)度室”

首先，用深度優(yōu)先搜索把因果圖拆成多條“生產(chǎn)線”，給每條生產(chǎn)線實時計算“繁忙指數(shù)”。其中，正在這條線上干活的 AI 越多、離起點越遠，指數(shù)越高。

接下來，讓新來的AI自動加入指數(shù)最低的那條線，既避免扎堆，也減少等待。每完成一步，AI 向 Planner 申請下一步任務，整個過程持續(xù)迭代。

實驗結(jié)論：完成率效率雙增強

在 VillagerBench 三項基準任務（建造、烹飪、密室逃脫）中，相較 AgentVerse 與 VillagerAgent 基線，任務完成率最高提升 12%，效率提升最高達 1.5 倍。

代理工作量更加平衡，相同設置下最大增益達到13%。

One more thing

這篇論文的通訊作者是來自香港科技大學（廣州）的助理教授、博士生導師——王浩教授。

他2023年博士畢業(yè)于新加坡南洋理工大學，曾在TikTok、地平線等公司科研工作。

主要研究興趣為大模型生成式智能體和三維重建。發(fā)表TPAMI、IJCV、CVPR、NeurIPS等領域頂級會議期刊論文50余篇。主持國家自然科學基金青年項目，參與國家科技部國家重點研發(fā)計劃項目，獲2023年SMP-IDATA晨星青年基金、2024年騰訊犀牛鳥專題項目。

論文鏈接： http://arxiv.org/abs/2508.18797