科學家發現 AI Agent 之間有更好的溝通語言——不是自然語言

重點速覽 5 分鐘閱讀

當你把多個 AI Agent 組在一起，讓它們協作完成任務，一個直覺的做法是讓它們用自然語言互相溝通——畢竟這是它們最擅長的東西。但研究顯示，這可能不是最有效率的設計。

近年的多智能體研究出現了一個反覆被觀察到的現象：當你給 Agent 足夠的自由度，允許它們自行決定溝通方式，它們會逐漸放棄自然語言，發展出更短、更壓縮的溝通方式——一種為任務優化的「湧現語言」（emergent language）。

TL;DR

多智能體系統（multi-agent system）裡，自然語言溝通雖然人類可讀，但信息密度低、token 消耗高。讓 Agent 發展自己的壓縮溝通協定可以大幅提升效率，但也帶來新的可解釋性問題：你不知道它們在說什麼。

目前主流的 AI Agent 框架（LangChain、AutoGen、CrewAI 等）預設讓 Agent 用自然語言交換狀態、分派任務、回報結果。

這有幾個問題：

1. Token 消耗高： 自然語言冗餘，同樣的資訊用壓縮協定可以用更少的 token 傳達。在大規模多輪任務裡，這不只是成本問題，也是延遲問題。

2. 模糊性： 自然語言設計來給人類用，它天然有歧義。「處理好了」跟「完成了但有問題」在人類對話裡靠上下文區分，但 Agent 之間需要更精確的狀態表達。

3. 格式不穩定： 要求 Agent 輸出結構化資訊時，自然語言輸出往往格式不一致，需要額外的解析步驟。

Meta AI Research 和 Frontiers on Sustainability 等機構的研究觀察到，在允許自由通訊的多智能體訓練環境中，Agent 會自發發展出壓縮的符號系統——不再是人類可讀的句子，而是更像「編碼後的指令集」。

這些湧現語言的特點：

一個直觀的類比：程式設計師之間說「PR 合了，CI 綠了，上 staging 了」，對不熟悉的人完全看不懂，但對團隊成員來說這一句話比用完整的自然語言說清楚快很多。湧現語言是 AI Agent 版本的這種壓縮。

效率面： 研究顯示湧現語言可以在不降低任務表現的前提下，顯著減少通訊的計算成本。在大規模部署多智能體系統（想想幾十個 Agent 持續協作幾個小時）的場景下，這個差異會很實質。

能源面： Frontiers 2025 年的論文特別關注這一點：更高效的 Agent 通訊直接轉化為更少的伺服器計算時間，影響 AI 系統的整體能源消耗和水冷用量。

架構面： 這暗示未來的多智能體系統設計可能需要在「人類可讀的自然語言通道」和「Agent 優化的內部通訊通道」之間做出明確的分層設計——而不是一律用自然語言。

最大的問題是：你失去了對 Agent 之間溝通的透明度。

如果系統出現問題，你無法直接「閱讀」Agent 的通訊記錄來 debug。湧現語言對人類是黑盒子。這在高風險場景（金融交易、醫療診斷、關鍵基礎設施）裡是嚴重的限制。

目前的研究方向是為這些壓縮語言建立「翻譯層」——讓人類可以在需要時查看 Agent 之間實際交換了什麼語意，但這本身又增加了系統複雜度。

如果你在設計多智能體系統，現在還不需要去實作湧現語言。但這個研究方向告訴你幾件事：

Agent 之間的通訊格式值得設計，不只是用自然語言當預設。 結構化的 JSON schema、用 Pydantic 定義的輸出格式、或明確的狀態機轉換，都比讓 Agent 自由用自然語言交換狀態更可靠。
在通訊效率和可解釋性之間，你需要明確選擇。 不是所有 Agent 通訊都需要對人類可讀，但需要審計的那部分需要。
長期來說，Agent 通訊協定可能成為一個真正的設計領域——就像 HTTP 是 Web 的通訊協定、gRPC 是微服務的通訊協定，多智能體系統可能需要自己的專用協定。