我觉得这个挺有意思的，正好我有一个不错的 idea，我们来试试。

这个项目是让我们设计一个 Agent 卡车司机，让他在不断变化的货源环境中取得更好的分数。系统给定一批司机、50 万条货源、模拟地理位置在广东省、31 天模拟时间，要求在连续仿真过程中做出以下四类动作：搜货、等待、接单、空驶。每一次的动作决策都需要详细的推理，而我觉得这就非常适合设计一个 Agent 去做出决策。

当然这个问题的 难点 在于，司机会自带一些偏好，就是扣分项，不是单纯地看哪个货源收益最高就去接了。比如，司机要求每日 0 点到 8 点休息，不然违反一次扣 3000，而每天勤勤恳恳接货送货的收益可能也就 1500，这样一来一回直接变成负收益。所以，我们要多方面考虑各种约束：司机偏好约束、货源约束、地理位置约束、时长约束等等，来让 Agent 选择出最优的决策。

赛题背景

在现代货运平台上，司机找货与接单属于 高度动态、持续进行 的经营活动。司机需要在不断变化的时间、空间、货源与自身条件下，在「接单」「休息」与「空驶迁往其他区域」等策略之间做出选择；每一类选择都会改变后续可观货源与阶段收益。仅针对「单次接单」进行预测，往往难以刻画上述 跨时段、多步衔接 的决策特征。

本赛题在 货运业务场景 下构建仿真环境：系统在每轮交互中仅提供必要的司机身份类信息，智能体须自主获取环境状态与可选行动，在 模拟的一个自然月 内持续推进决策，在遵守业务约束的前提下，实现 月度净收益 的提升，并尽可能满足与司机运营相关的 个性化偏好。

为什么是 Agent 而不是 Workflow？

首先我们要知道，Agent 的基本动作循环是：感知-思考-行动-感知，也就是 observe-think-act-observe。它会根据环境状态思考，采取对应的行动，然后根据环境反馈继续思考下一步行动。这很符合我们这个项目想做的事情：司机在满足自己偏好的情况下，根据市场动态和热点，自主决定是否要搜货、是否要去接货，而不是一搜到货就去接，只追求眼前最大利益。

如果是 Workflow，那大概只能是：遇到偏好规定的就完成偏好，没有偏好限制就搜货，然后挑选最大收益的货物去接，或者选择不接、等待。

但是这个问题肯定没有这么简单：

  • 现在搜不到高价值的货，不代表 30 分钟后就搜不到；这个地方搜不到，也不代表别的地方就没有；现在接了货，可能就会错过后面一些突发的偏好任务。
  • 司机的偏好不是简单的 if-else。 比如每月休息天数要求、禁行区、回家、接哪里的货，这些都要动态平衡风险。举个最简单的例子：这一单接了赚 3000，但是会违反偏好扣 300；这个时间段下别的单子可能最高只能赚 1000，你接还是不接？
  • 目标是多目标权衡。 收益、时间、偏好、风险、未来机会之间要平衡。纯 Workflow 很容易变成短视规则。
  • 在整个过程中，司机要根据反馈迭代，实时做出调整。每一步都要 observe 当前状态、think 当前局势、act 调用工具，然后根据新状态继续调整策略。

为什么是 Multi-Agent 而不是 Single-Agent？

假如我们使用 Single-Agent，那么系统就要让一个 LLM 完成超多多多多的事情：

理解司机偏好
追踪长期 memory
判断是否搜索
分析货源可达性和收益
权衡偏好风险
选择最终动作
总结失败经验

这么多事情塞给一个 Agent，首先会带来一个问题：上下文爆炸。Prompt 过长了，对于能力不强的小模型来说容易 Lost in Middle，不能很好地完成任务。

同时还有很多其他问题：

  • 一个 Agent 既要搜索，又要接单，又要看自己的动作是否合法、是否符合偏好，就容易出现一种很不好的情况：包庇自己。它会自己给自己找理由，出现高收益货物就接，全然不顾偏好；并且中间一个环节推理错了，就可能导致后面一起错，出现连锁效应。
  • 错误难以定位。 线上效果差时，Single-Agent 很难知道问题来自哪里：是偏好没理解？搜索错了？货盘分析错了？还是主决策没决策好？如果用 Multi-Agent，每个 Agent 的职责清晰，可以把每个 Agent 的 io、trace 抓出来详细分析，逐节点定位。
  • 不利于系统的长期更新。 Memory、Preference、CargoAnalysis、Search 都是可以独立优化的模块。拆成多个 Agent 后，可以单独替换 parser、增强 memory、改 scoring、优化 Search，而不影响整个系统。

这点看起来，单智能体和多智能体的对比就像一个人和一个团队的对比一样，都是类似的。

所以，单智能体的 上下文爆炸、职责过于庞杂、错误难以定位、系统难以优化，在我们使用多智能体之后都会得到有效改善，使整个系统处于 可验证、可追踪、可迭代 的环境之中。

一个真实实验里的小例子

发生在我们的真实实验中，当我们使用单智能体时，有这样一个决策环境：

当前时间：21:30
司机偏好：每天 22:00-06:00 必须连续休息，不休息罚款 5000
候选货源 A：21:45 装货，预计 02:00 完成，收益很高，2000
候选货源 B：短单，22:00 前可完成，收益一般，500
动作选择：take_order(A)

这时候智能体就做了一个绝对错误的决定：

A 单收益最高，而且装货时间很近，当前车辆距离也合适。
虽然会影响休息窗口，但可以完成后再休息，因此选择 A。

在我的视角看来，这里绝对应该选择 take_order(B)。但是单智能体选择了 A，这可能是因为模型还不够强，或者它理解错了偏好，并且没有计算罚款，导致后续决策出现了很大的问题。

之后的篇章中，我们会详细说一下这个项目的框架设计与思考，以及系统具体模块的拆解。

参考来源

赛题信息参考天池比赛页面：算法大赛-天池大赛-阿里云。