多智能体系统突破屏幕学习行为分析：单智能体 vs 多智能体的视觉语言模型对比研究

本文聚焦使用视觉语言模型（VLMs）自动分析屏幕学习行为的研究，对比单智能体与多智能体架构在场景检测和动作识别任务的表现，提出两种创新多智能体框架并验证其优越性，为教育技术领域提供高效可扩展的多模态数据分析方案。

数字化学习普及下，屏幕学习行为（信息检索、资源使用、知识创造）反映认知与协作模式，但传统人工编码耗时低效。VLMs可同时处理视觉与文本信息，为自动化分析带来机遇，但如何有效应用于复杂学习行为分析仍是学术界重大挑战。

研究基于ICAP框架（被动/主动/建构性/互动性学习）设计方案，该框架为学习行为分类提供理论支撑。多智能体系统通过任务分解，让不同智能体专注特定领域，提升场景理解与细粒度动作检测能力。

实验选用Claude-3.7-Sonnet、GPT-4.1（闭源）及Qwen2.5-VL-72B（开源）模型，对比三类架构：

1. 单智能体：直接处理完整录像，面临上下文长度限制与任务复杂度过高挑战；
2. 工作流型多智能体：三智能体协作（场景分割→行为检测→验证）；
3. 自主决策型多智能体：ReAct启发，迭代推理+工具调用+自我修正。

工作流型MAS：滑动窗口分割场景→结合光标轨迹检测行为→验证输出一致性，任务解耦提升场景检测性能； 自主决策型MAS：维护内部状态，智能体自主决定行动（分析/分割/验证），ReAct范式提升动作识别性能。

多智能体架构表现优于单智能体：工作流型在场景检测最佳，自主决策型在动作识别最优；开源Qwen2.5-VL-72B在多智能体配置下可与闭源模型竞争，降低系统成本。

实际意义：在线教育可实时监测学习参与度、优化协作分组；研究者获高效视频数据分析工具。 未来方向：扩展至编程/设计协作场景，探索更多智能体协作模式，降低计算成本。

复杂多模态任务中，架构设计与模型选择同等重要。精心设计的多智能体系统可超越强大单智能体VLM，为AI应用开发提供参考：优先优化架构而非仅追求大模型。