阐述 Agent 通信语言（ACL）的核心功能—KQML 协议的消息结构与交互流程解析
一、引言：为什么 Agent 需要“语言”
在多 Agent 系统（Multi-Agent Systems, MAS）中，单个 Agent 的智能并不等于系统的智能。真正的系统能力，往往来源于多个 Agent 之间的协作、协商与博弈。
要实现这些行为，Agent 必须具备三个基础能力：
- 感知环境（Perception）
- 自主决策（Reasoning）
- 彼此通信（Communication）
其中，通信能力是多 Agent 系统从“多个智能体的并列存在”走向“协同智能系统”的关键。这正是 **Agent Communication Language（ACL，Agent 通信语言）**存在的根本原因。
二、Agent 通信语言（ACL）的核心功能
ACL 并不是简单的“消息格式”，而是一种语义级通信规范，其目标是让 Agent 之间不仅能“收发数据”，还能理解彼此的意图。
2.1 ACL 的核心功能概述
从设计目标来看，ACL 主要承担以下四类功能：
1. 意图表达（Intent Expression）
ACL 中的每一条消息，通常都携带一个通信行为（Performative），用于表明发送者的意图，例如：
- 请求（request）
- 告知（inform）
- 提议（propose）
- 承诺（commit）
Agent 不是简单地“发送数据”，而是在执行一个社会行为（Speech Act）。
2. 语义一致性（Semantic Interoperability）
ACL 关注的是语义层而非传输层。
即便底层通信方式不同（HTTP、MQ、RPC），只要遵循 ACL 语义，Agent 就能相互理解。
3. 协作与协商支持
ACL 为以下典型交互模式提供基础支持：
- 任务分配
- 协商定价
- 资源竞争
- 多方共识达成
4. 去中心化系统的基础设施
在分布式、自治的 Agent 系统中，没有“中心调度器”，ACL 成为系统秩序的语言基础。
三、KQML：经典 Agent 通信协议
在众多 ACL 实现中，**KQML（Knowledge Query and Manipulation Language）**是最早、也是最具代表性的协议之一。
KQML 并不关心“你说的内容是真是假”，
它只关心——你打算用这些内容做什么。
四、KQML 消息结构详解
4.1 KQML 的整体结构
一条标准的 KQML 消息通常由三部分组成：
(performative :sender <agent-name> :receiver <agent-name> :content <message-content> :language <content-language> :ontology <shared-ontology> :reply-with <conversation-id> )4.2 关键字段说明
| 字段 | 含义 |
|---|---|
| performative | 通信行为（核心） |
| sender | 发送方 Agent |
| receiver | 接收方 Agent |
| content | 实际消息内容 |
| language | 内容使用的表示语言 |
| ontology | 共享概念体系 |
| reply-with / in-reply-to | 会话关联 |
4.3 常见 Performative 类型
| Performative | 含义 |
|---|---|
| ask-one | 询问一个结果 |
| tell / inform | 告知事实 |
| request | 请求对方执行动作 |
| achieve | 请求达成某个目标 |
| reply | 对请求进行回应 |
五、KQML 的典型交互流程
场景示例：任务请求与执行
Agent A希望Agent B执行某个任务（如数据分析）。
Step 1：发送请求（request）
(request :sender AgentA :receiver AgentB :content (analyze dataset_01) :language lisp :ontology>Step 2：Agent B 执行任务Agent B 接收请求，进行本地推理与执行。
Step 3：返回结果（inform）
(inform :sender AgentB :receiver AgentA :content (analysis-complete dataset_01 accuracy=0.93) :in-reply-to task-001 )
![]()
六、Python 示例：构建一个简化版 KQML 消息系统
下面通过 Python 演示KQML 消息的构造、解析与交互模拟。
6.1 KQML 消息对象建模
classKQMLMessage:def__init__(self,performative,sender,receiver,content,language="python",ontology=None,reply_with=None,in_reply_to=None):self.performative=performative self.sender=sender self.receiver=receiver self.content=content self.language=language self.ontology=ontology self.reply_with=reply_with self.in_reply_to=in_reply_todefto_dict(self):return{"performative":self.performative,"sender":self.sender,"receiver":self.receiver,"content":self.content,"language":self.language,"ontology":self.ontology,"reply_with":self.reply_with,"in_reply_to":self.in_reply_to,}
6.2 Agent 通信示例
classAgent:def__init__(self,name):self.name=namedefsend(self,message,target_agent):print(f"[{self.name}] -> [{target_agent.name}]")target_agent.receive(message)defreceive(self,message):print(f"[{self.name}] received:",message.to_dict())ifmessage.performative=="request":self.handle_request(message)defhandle_request(self,message):# 模拟任务执行result=f"completed{message.content}"reply=KQMLMessage(performative="inform",sender=self.name,receiver=message.sender,content=result,in_reply_to=message.reply_with)returnreply
6.3 交互演示
agent_a=Agent("AgentA")agent_b=Agent("AgentB")request_msg=KQMLMessage(performative="request",sender="AgentA",receiver="AgentB",content="analyze dataset_01",reply_with="task-001")agent_a.send(request_msg,agent_b)
![]()
七、ACL 与 KQML 的现实意义
尽管 KQML 在工业界的直接使用已不算主流，但其思想对现代系统影响深远：
- FIPA-ACL 继承了 KQML 的核心设计
- AutoGPT / 多 Agent 框架中的 Tool Calling 与 Message Passing
- 分布式 Agent Workflow / Agent Mesh
本质上，Agent 通信语言是“多智能体社会”的制度基础。
八、总结
- ACL 是多 Agent 系统的语义通信基础
- KQML 通过 Performative 明确表达通信意图
- 消息结构与会话机制支撑复杂交互流程
- 其思想在现代 Agent 框架中持续演进
当我们从“单一大模型”走向“多 Agent 协同系统”时，
通信语言的重要性，将不亚于模型本身的智能水平。
Agent 通信语言（ACL）为多 Agent 系统提供了语义层面的通信规范，使智能体之间能够在去中心化环境中准确表达意图、理解行为含义并形成可持续的协作关系。KQML 作为经典的 ACL 实现，通过以 performative 为核心的消息结构，将“说什么”与“想做什么”清晰区分，配合会话标识与本体约束，支持请求、协商与结果反馈等完整交互流程。尽管其具体协议形态已逐渐演进，但 KQML 所体现的通信思想仍然深刻影响着当代多 Agent 架构与大模型 Agent 系统的设计范式。
