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

---

🏗️ 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