面向博物馆多元业务需求的多智能体网络智能管控策略研究

通信世界网消息（CWW）随着预约入馆、智慧导览、数字展厅、网络直播、智能问答和文物环境监测等业务加快落地，博物馆的网络、计算和存储资源逐步由相对独立支撑转向多业务共享。不同业务在运行时间、资源需求和保障等级方面差异明显，传统依赖带宽利用率、服务器负载等固定阈值开展资源调整的方式，已难以满足精细化保障需要。因此，有必要推动网络管理从资源指标驱动转向业务需求驱动，通过多智能体协同，实现资源动态配置、及时调整和有序回收。

数字业务加速融合，网络管控需要理解业务

近年来，人工智能技术逐步从内容生成向任务自主执行和协同决策方向演进。基于大模型的智能体，融合了环境感知、任务规划、记忆管理和工具调用等能力，可根据任务目标自主完成状态分析、任务分解和操作执行。

随着业务场景复杂度提升，单一智能体难以覆盖复杂业务全流程，多智能体通过角色分工、信息交互和任务协作共同完成复杂任务，成为智能系统演进的重要方向。目前，行业已形成MCP、A2A、ANP等智能体通信协议，分别面向智能体与工具连接、智能体间协作和开放环境互联，研究机构和产业主体也在探索智能体互联网、智能体网关及多智能体网络管控架构。

博物馆是多智能体网络智能管控具有代表性的应用场景之一。博物馆具有客流潮汐明显、业务类型多样和部分业务长期运行等特点：预约核验在放票和集中入馆时段具有短时高并发特征；智慧导览和智能问答强调无线接入和交互连续性；数字展厅对内容传输和本地计算较为敏感；网络直播需要稳定的上行带宽；文物环境监测虽耗费流量较小，但需要长期连续运行。

传统博物馆网络资源调度主要依赖预配置策略、阈值告警和人工运维。网络管理平台持续监测链路带宽、无线负载、服务器利用率等指标，在达到预设阈值后触发告警，再由运维人员手动完成带宽调整、无线接入、负载均衡和计算资源调度。对于预约放票、重大展览和网络直播等可预知业务高峰，通常提前进行资源扩容和带宽预留。这种方式具有较强可控性，但主要依据设备状态和预设规则，业务系统与网络资源之间缺乏动态关联。

随着博物馆数字业务增多，传统资源管控方式的局限性逐步显现。相同的资源负载变化对不同业务的影响差异显著，仅依靠设备阈值难以判断具体保障需求；同时，客流分布、展厅热点持续变化，临时业务还可能与日常业务形成资源竞争，依赖传统人工判断和静态决策，容易出现业务识别偏差、响应滞后和跨业务协同能力不足等问题。

因此，需要将响应时延、服务连续性、内容完整性、保障等级和计算处理位置等业务需求，转化为网络、缓存和计算资源的调度依据，并通过多智能体分工协作，实现业务状态感知、资源策略生成、配置执行和结果反馈。基于此，本文提出面向博物馆多元业务需求的多智能体网络智能管控策略。

构建多智能体闭环，推动资源动态调整

针对博物馆业务系统与资源控制体系协同不足的问题，在现有系统之间增设智能管控层，形成由业务服务层、智能管控层、资源控制层和基础设施层组成的四层架构，具体如图1所示。

图1 博物馆多智能体网络智能管控总体架构

业务服务层对接预约系统、智慧导览、数字展厅、网络直播以及环境监测等应用；资源控制层连接网络控制器、无线管理平台、负载均衡设备、API（application program interface，应用程序接口）网关、缓存组件、任务队列和计算管理平台；基础设施层提供网络、计算、存储以及云资源。

智能管控层部署于业务服务层与资源控制层之间，由感知智能体、决策智能体、执行智能体和共享状态区组成，各智能体基于统一状态信息开展协同工作。

感知智能体主要负责采集业务和资源状态。业务侧获取预约量、入馆人数、展厅客流、导览请求、互动终端状态、活动计划和环境监测状态，资源侧采集带宽、无线负载、网络时延、服务器利用率、缓存以及任务队列等信息。在此基础上生成统一状态消息，记录业务对象、业务变化、资源压力和触发原因，为决策环节提供依据。

决策智能体根据业务状态和资源状态生成调整策略。当预约量持续攀升时，提前扩容接口、缓存和计算资源；当馆内导览和数字展厅负载上升时，扩容热点区域无线和本地缓存资源；当直播活动即将开启时，提前配置上行带宽；当资源竞争出现时，优先保障实时业务和持续运行的环境监测任务。对于可延后的后台任务，调整处理时间，避免与高峰业务直接竞争资源。

执行智能体负责将策略转化为现有系统能够执行的操作。网络侧通过控制器、无线管理与负载均衡平台调整接入资源，应用侧通过API网关、缓存组件、任务队列改变请求处理方式，计算侧重新分配本地算力。考虑到智能体参与实际网络资源配置，根据操作风险实行分级管控：低风险、可快速恢复的操作在权限范围内自动执行；影响多个业务的资源调整增加规则校验；若涉及核心网络配置、访问控制和重要业务保障策略变更，则由运维人员确认后执行，并保留操作日志和异常回退机制。

执行完成后，相关结果回传至共享状态区，感知智能体再次获取业务响应和资源使用情况。如果业务压力得到缓解，则保持当前资源配置；如果排队请求数持续增长、瓶颈发生变化或者出现新的业务事件，则再次触发决策。由此形成“感知—决策—执行—反馈”的闭环，使资源配置能够根据业务变化连续修正。

聚焦典型业务，强化多智能体协同管控

在典型业务场景中，多智能体围绕业务状态变化持续交互，以下结合具体场景说明其协同管控过程。

在预约与入馆核验场景中，感知智能体根据放票时间、预约量、接口负载和入馆人数识别高峰，决策智能体提前配置接口、缓存和计算资源，执行智能体完成调整并返回结果。高峰结束后，再根据负载回落态势回收临时资源，避免高峰保障资源被长期占用。

在智慧导览与智能问答场景中，感知智能体结合展厅客流、导览请求、无线负载和会话状态识别热点区域，决策智能体调整本地缓存、无线和计算资源，执行智能体完成配置后，由感知智能体继续跟踪负载变化。当游客流向发生变化时，决策被再次触发，由此促使资源配置随热点区域动态迁移。

在数字展厅与沉浸式互动场景中，感知智能体根据互动终端、内容传输和局部无线负载识别资源瓶颈，决策智能体生成缓存、计算与无线资源调整策略，执行智能体完成配置，并在负载下降后释放临时资源。对于内容传输压力较大的区域，可优先扩容本地缓存，减少重复传输对网络资源的占用。

在网络直播与公共教育活动场景中，感知智能体结合活动计划和出口带宽占用情况提前触发调整，决策智能体配置临时上行资源并延后非实时后台任务，执行智能体完成配置。在直播期间，感知智能体持续关注带宽和传输状态，必要时再次触发资源调整，活动结束后撤销临时策略。

在文物环境监测场景中，感知智能体持续获取终端在线和数据上传状态，决策智能体优先保留基本网络和处理资源，执行智能体在异常情况下进行资源保持或链路调整。通过将环境监测纳入持续保障业务，减少展区业务高峰对监测数据连续传输的影响。

推动跨业务资源接力，提升整体运行效率

博物馆不同业务高峰具有时间错位特征。集中入馆结束后，预约核验请求下降，而馆内导览和数字展厅负载上升；线上活动开始时，网络直播又形成新的带宽需求，为跨业务资源接力提供了条件。感知智能体识别业务负载变化后，决策智能体将预约系统释放的缓存和计算资源转移到馆内服务，执行智能体完成调整并反馈结果；直播开始前，配置临时上行资源，同时为文物环境监测预留基础保障资源；客流下降或活动结束后，再有序回收临时资源。

相比单纯增加网络和计算资源，这种方式更加注重现有资源的动态利用效率。通过业务状态感知、资源调整、执行反馈和资源恢复，多类业务可以围绕统一资源池协同运行，从而减少资源闲置和高峰时段的资源竞争。

随着博物馆数字化服务持续拓展，通过多智能体串联业务需求、资源状态和控制能力，可进一步提升网络对复杂业务变化的感知和响应能力，为智慧博物馆的稳定运行提供更加灵活的技术支撑。