협력적 다중 에이전트 계획은 정보의 일부만을 가지고 있으며 통신도 제한된 상황에서 에이전트들이 공동 결정을 내려야 하는 과제를 요구한다. 궤적 수준에서의 조율은 시간이나 움직임의 미세한 차이가 충돌로 확산되는 등 종종 실패한다. 기호적 계획은 추상화 수준을 높이고, 동기화와 공동 진전을 가능하게 하는 최소한의 동작 어휘를 제공함으로써 이러한 도전을 완화한다. 본 연구에서는 협력적 다중 에이전트 계획을 위한 분산형 신경기호적 프레임워크인 DR. WELL을 제안한다. 협력은 두 단계의 협상 프로토콜을 통해 이루어진다. 먼저 각 에이전트는 추론을 포함한 후보 역할을 제안하고, 이후 공감대와 환경 제약 조건 하에서 공동 할당에 결정을 내린다. 결정 이후 각 에이전트는 세부 궤적을 공개하지 않고도 자체 역할에 대한 기호적 계획을 독립적으로 생성하고 실행한다. 이러한 계획은 에이전트들이 행동함에 따라 업데이트되는 공유 세계 모델을 통해 실행 결과에 기반하여 실현된다. DR. WELL은 원시 궤적 대신 기호적 계획을 추론함으로써 취약한 단계 수준의 정렬 문제를 피하고, 재사용 가능하고 동기화 가능하며 해석 가능한 고차원 작업을 가능하게 한다. 공동 블록 밀기 작업에 대한 실험 결과에 따르면, 에이전트들은 에피소드 간에 적응력을 발휘하며, 동적 세계 모델이 재사용 가능한 패턴을 포착하고 작업 완료율 및 효율성을 향상시킴을 확인하였다. 또한, 협상과 자기 개선을 통해 동적 세계 모델이 작업 완료율과 효율성을 개선하며, 시간적 오버헤드를 감수함으로써 더욱 효율적인 협업 전략의 진화를 가능하게 한다.