多智能体系统

让多个AI智能体协作完成复杂任务

🎯 核心概念

为什么需要多智能体？

来源：LangGraph多智能体系统权威指南

单Agent的局限

当任务复杂度增加时，单个Agent容易产生认知过载：

工具太多导致选择困难
上下文窗口被撑满
单点故障风险高
难以并行处理

多智能体的优势

优势	说明
专业化分工	每个Agent专注特定领域
并行处理	多个Agent同时工作
模块化	独立开发、测试、维护
容错性	单个Agent失败不影响整体
可扩展	按需添加新Agent

📋 多智能体协作模式概述

来源：Agentic Design Patterns - Multi-Agent Collaboration

核心原理

多智能体协作基于任务分解原则：将高层次目标拆解为若干独立的子问题，然后将每个子问题分配给拥有相应工具、数据权限或推理能力的智能体来处理。

系统三要素

要素	说明
角色与职责	明确每个智能体的专长和任务范围
通信通道	智能体之间如何交换信息
交互协议	引导协同工作的任务流程

六种协作形式

形式	特点	适用场景
顺序交接	A完成 → 输出给B → B完成	流水线式工作流
并行处理	A、B、C同时工作 → 合并结果	可并行的独立子任务
辩论与共识	不同视角讨论 → 达成共识	需要多角度分析的决策
层级结构	管理者分配 → 执行者完成 → 汇总	协调多个专业智能体
专家团队	研究员+撰稿人+编辑协作	软件开发、内容创作
评审者模式	创作 → 评审 → 修改 → 输出	代码生成、学术写作

六种通信架构

架构	特点	优势	劣势
单智能体	独立运行，无交互	简单易管理	能力受限
网络化	点对点去中心化	可分散部分调度职责	通信与一致性开销大；仍可能有共享依赖故障
监督者	中心枢纽协调	职责清晰	可能瓶颈
监督者作为工具	提供资源而非指挥	灵活	设计复杂
层级	多层监督者结构	可扩展	结构复杂
自定义	完全定制化	最大灵活性	需深入理解

七大应用场景

场景	智能体分工
复杂研究	搜索 → 总结 → 趋势分析 → 报告
软件开发	需求分析 → 编码 → 测试 → 文档
创意内容	调研 → 文案 → 设计 → 排期
财务分析	数据获取 → 情绪分析 → 技术分析 → 建议
客户支持	一线处理 → 专家升级
供应链	供应商 ↔ 制造商 ↔ 分销商协同
网络运维	排查 → 定位 → 修复

架构选择考量

考虑因素	影响
任务复杂度	复杂任务需要层级或网络化
智能体数量	数量多时需要监督者
自治程度	高自治选网络化，低自治选监督者
鲁棒性要求	按故障域、重试、状态恢复和共享依赖评估，不能只看拓扑

🏗️ 三种协作架构

架构对比

架构	特点	适用场景
网络模式	Agent间直接通信	平等协作、灵活交互
监督者模式	中心协调所有Worker	任务分配、流程控制
层级模式	多层管理结构	大型复杂项目

1. 监督者模式（Supervisor）

以下为图结构示意，llm、do_research、write_code、run_tests 由业务实现；进入模型前应把内部事件转成 SDK 接受的消息角色。路由返回值必须做枚举校验，不能直接信任模型给出的节点名。

python

from langgraph.graph import StateGraph, END
from typing import TypedDict, Literal, Annotated
import operator

class SupervisorState(TypedDict):
    messages: Annotated[list, operator.add]
    next_worker: str

def supervisor(state: SupervisorState) -> SupervisorState:
    """监督者：决定下一步由哪个Worker执行"""
    prompt = f"""根据当前任务状态，选择下一个Worker：
- researcher: 信息收集
- coder: 编写代码
- tester: 测试验证
- FINISH: 任务完成

当前消息：{state['messages'][-1]}"""
    
    response = llm.generate(prompt).strip()
    if response not in {"researcher", "coder", "tester", "FINISH"}:
        raise ValueError("监督者返回了未知 Worker")
    return {"next_worker": response}

def researcher(state): 
    result = do_research(state["messages"])
    return {"messages": [{"role": "researcher", "content": result}]}

def coder(state):
    result = write_code(state["messages"])
    return {"messages": [{"role": "coder", "content": result}]}

def tester(state):
    return {"messages": [{"role": "tester", "content": run_tests(state)}]}

# 构建图
graph = StateGraph(SupervisorState)
graph.add_node("supervisor", supervisor)
graph.add_node("researcher", researcher)
graph.add_node("coder", coder)
graph.add_node("tester", tester)

def route(state) -> str:
    if state["next_worker"] == "FINISH":
        return END
    return state["next_worker"]

graph.add_conditional_edges("supervisor", route)
graph.add_edge("researcher", "supervisor")
graph.add_edge("coder", "supervisor")
graph.add_edge("tester", "supervisor")
graph.set_entry_point("supervisor")

2. 网络模式（Network）

python

# Agent间可直接通信
def agent_a(state) -> dict:
    if needs_help_from_b(state):
        return {"next": "agent_b", "message": "需要你的帮助"}
    return {"result": "完成"}

def agent_b(state) -> dict:
    if needs_verification(state):
        return {"next": "agent_c", "message": "请验证"}
    return {"next": "agent_a", "message": "已处理"}

委派契约与共享状态

先用单 Agent 和固定工作流建立基线。只有子任务能分开取证、使用不同工具或独立验收时，才值得引入多个 Agent。把同一提示复制给更多角色，可能只增加重复错误和汇总成本。

每次委派应明确目标、输入快照、允许修改的资源、预算、预期产物和验收标准。子 Agent 返回结论、证据、产物地址与未解决项；主 Agent 负责整合与最终验收，不能把“子 Agent 说完成了”当作完成证据。

对共享文件或数据库，先划定单一写入者或使用版本检查。消息有唯一 ID，重复接收不重复执行；增加最大委派深度、轮数和费用上限，避免 A 委派 B、B 再委派 A 的循环。通信协议参见 A2A，它不会自动提供业务一致性。

验收按同样预算比较单 Agent 与多 Agent：任务成功率、端到端耗时、总 Token、重复工作量和合并冲突数。再演练一个 Worker 失败或返回矛盾证据的情况，检查监督者是否能明确处理分歧。

🔄 AutoGen多智能体团队

来源：AutoGen多智能体团队实战指南

RoundRobinGroupChat

以下是 AgentChat 接口片段，需安装对应版本并初始化 model_client。轮询团队是按顺序发言，不等于并行执行；顶部 await 需放在支持它的 notebook 或异步入口内。

python

from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat

# 创建专业化Agent
poet = AssistantAgent(
    name="poet",
    model_client=model_client,
    system_message="你是一位诗人，擅长创作诗歌。"
)

critic = AssistantAgent(
    name="critic", 
    model_client=model_client,
    system_message="你是文学评论家，擅长改进诗歌。"
)

# 创建轮询团队
team = RoundRobinGroupChat(
    participants=[poet, critic],
    max_turns=10
)

# 运行任务
result = await team.run(task="创作一首关于春天的诗")

SelectorGroupChat（动态选择）

python

from autogen_agentchat.teams import SelectorGroupChat

# 模型动态选择下一个发言者
team = SelectorGroupChat(
    participants=[researcher, writer, editor],
    model_client=model_client,
    selector_prompt="根据对话选择下一个Agent..."
)

🎭 协作设计模式

反思模式（Reflection）

text

# 生成者 + 评审者循环
generator → reviewer → refiner → reviewer → ... → APPROVED

分工模式

text

# 并行执行子任务
planner → [executor1, executor2, executor3] → aggregator → reporter

辩论模式

text

# 正反方辩论，裁判评估
pro_agent ←→ con_agent → judge → conclusion

🔗 相关阅读

Agent概述 - Agent整体架构
记忆系统 - 多Agent状态共享
规划与推理 - 任务分解协调

相关文章：
LangGraph多智能体系统权威指南
AutoGen多智能体团队实战指南
精通人机协同：LangGraph交互式智能体

外部资源：
LangGraph Multi-Agent
AutoGen Teams

多智能体系统 ​

🎯 核心概念 ​

为什么需要多智能体？ ​

多智能体的优势 ​

📋 多智能体协作模式概述 ​

核心原理 ​

系统三要素 ​

六种协作形式 ​

六种通信架构 ​

七大应用场景 ​

架构选择考量 ​

🏗️ 三种协作架构 ​

架构对比 ​

1. 监督者模式（Supervisor） ​

2. 网络模式（Network） ​

委派契约与共享状态 ​

🔄 AutoGen多智能体团队 ​

RoundRobinGroupChat ​

SelectorGroupChat（动态选择） ​

🎭 协作设计模式 ​

反思模式（Reflection） ​

分工模式 ​

辩论模式 ​

🔗 相关阅读 ​

多智能体系统

🎯 核心概念

为什么需要多智能体？

多智能体的优势

📋 多智能体协作模式概述

核心原理

系统三要素

六种协作形式

六种通信架构

七大应用场景

架构选择考量

🏗️ 三种协作架构

架构对比

1. 监督者模式（Supervisor）

2. 网络模式（Network）

委派契约与共享状态

🔄 AutoGen多智能体团队

RoundRobinGroupChat

SelectorGroupChat（动态选择）

🎭 协作设计模式

反思模式（Reflection）

分工模式

辩论模式

🔗 相关阅读