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	无单点故障	通信开销大
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	高鲁棒性选网络化（无单点故障）

---

🏗️ 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）

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

class SupervisorState(TypedDict):
    messages: list
    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)
    return {"next_worker": response.strip()}

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}]}

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

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.set_entry_point("supervisor")

2. 网络模式（Network）

# 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"}

---

🔄 AutoGen多智能体团队

来源：AutoGen多智能体团队实战指南

RoundRobinGroupChat

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）

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）

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

分工模式

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

辩论模式

# 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