AI 中的多智能体推理指的是多个自主智能体相互协作、竞争或互动以解决问题或实现目标的系统。每个智能体都有自己的感知、决策和行动能力，但它们必须推理彼此的行为、意图或策略才能有效协调。这种方法适用于单个智能体缺乏处理复杂任务（例如交通管理、分布式机器人或谈判系统）所需的知识、资源或视角的情况。例如，在配送网络中，无人机和地面车辆可以协调路线以避免碰撞并优化配送时间。
核心机制涉及智能体共享信息、进行谈判或根据对其他智能体行为的预测来调整自身行动。博弈论、分布式优化和强化学习等技术经常被使用。智能体可以通过显式消息（例如发送请求）或隐式信号（例如观察彼此的行动）进行通信。例如，在智能电网中，能源生产智能体（太阳能电池板、风力发电场）和消费者智能体（住宅、工厂）可以在实时平衡供需的同时协商电价。每个智能体的推理过程包括模拟其他智能体的目标、预测它们的下一步行动，并调整自己的策略以符合集体目标。这需要在个体目标与系统整体效率之间取得平衡。
多智能体推理的挑战包括可伸缩性、处理不完整信息以及避免冲突。随着智能体数量的增加，协调变得计算密集。开发者通常使用去中心化算法来减少瓶颈，例如区块链网络中的共识协议。另一个例子是十字路口的自动驾驶汽车：每辆车都必须在没有直接通信的情况下预测其他车辆的路径，依赖于传感器和概率模型。马尔可夫决策过程（MDPs）等框架或 OpenAI 的多智能体粒子环境等工具有助于模拟这些交互。多智能体系统并非万能解决方案，但在协作或竞争是问题固有特征的动态、分布式环境中表现出色。