AI / CYY

多 Agent 协作

一个 Agent 可以完成简单任务。但任务复杂到一定程度——比如你要做一个完整的软件系统——一个 Agent 会乱：代码写了一半忘了设计文档说了什么、测试时发现 bug 自己去修了但没记录、做着做着偏离了最初需求。

2026/7/6#Multi-Agent

三种协作方式

方式一：老板-员工（中心化）

一个主 Agent 当老板：拆任务 → 分给不同的员工 Agent → 收回来汇总结果。

适合：一个复杂任务可以拆成几个互相独立的子任务。

例子：做一份竞品分析报告。主 Agent 拆成“调研竞品 A”“调研竞品 B”“调研竞品 C”→ 分别派给三个 Agent → 汇总。

翻车点：老板拆得不对，或者员工产出格式不统一，老板没法汇总。

方式二：流水线（Pipeline）

A 干完交给 B，B 干完交给 C。

适合：任务有严格的先后顺序。

例子：代码开发流水线。写代码 → 代码审查 → 测试 → 修复 → 发布。每一步的输出是下一步的输入。

翻车点：中间一步坏了，后面全堵住。需要有人（调度员）在中途检查、决定是退回重做还是继续。

方式三：辩论（Debate）

几个 Agent 各自独立分析同一个问题 → 互相质疑 → 找出矛盾 → 协商出共识。

适合：没有标准答案、需要多视角验证的问题。

例子：判断一个投资决策。三个 Agent 各自分析：一个看财务数据、一个看市场趋势、一个看风险。如果结论一致就通过；如果矛盾，就互相质询直到分出对错。

翻车点：Agent 之间可能陷入无限辩论。需要设最大轮数和终止条件。

通信问题：怎么防止 Agent 们聊到天荒地老

最大轮数：规定最多讨论 N 轮，N 轮后做决策。
压缩废话：如果两个 Agent 在重复同样的内容，自动总结成一句话。
完成标准：开始前就定义好“什么叫完成了”——比如“输出包含 A、B、C 三个字段”。

常见的多智能体系统架构

上面的流程假设由单个编排器指挥工作，但这只是组织这些组件的一种方式。不同架构会改变智能体之间的通信方式、决策方式，以及系统在复杂度上升时的稳定性。下面五种是在生产系统和智能体研究中常见的组织形式。它们并不互斥，真实系统往往会组合使用多种架构。

分层式多智能体系统

在分层式架构中，智能体按层级组织。顶层主管或管理智能体会拆解高层目标，并将子任务委派给下层专家智能体。每个专家再回传结果，由主管综合最终输出。这种模式的主要优势在于指挥链清晰、集中规划与分布式执行并行，以及路由可预测、便于调试。

内容生产流水线通常采用这种模式。管理智能体接收简报后，将研究分派给一个智能体、起草分派给另一个、编辑交给第三个，然后在发布前审阅整合后的草稿。每个专家只专注于自己的阶段，而主管负责维持整篇文档的一致性。

协作式多智能体系统

协作式架构将智能体视为朝同一目标努力的同伴。它们通常通过共享工作区或消息总线，实时共享工具、数据和中间结果。这种模式强调共享上下文、平等主体之间的实时通信，以及可根据当前负载或智能体可用性灵活调整的任务分工。

客户服务系统可以这样运行。一个智能体对投诉进行情绪分析，另一个检索订单历史，第三个起草回复，三者在同一个线程中协作。由于它们会在共享工作区汇集发现，单个智能体不必在记忆中保存完整的客户记录。

对抗式多智能体系统

在对抗式设置中，智能体被设计为彼此竞争或相互挑战，设计中内置了相反目标。这种模式常见于游戏 AI 和安全测试：一个智能体攻击、另一个防御，或两个智能体相互对弈以打磨策略。内置对抗能够形成天然的压力测试，更快暴露边缘情况，并在无需人工介入的情况下提供内部质量控制机制。

安全测试是一个典型例子。红队智能体通过注入畸形输入并串联漏洞利用来探测系统弱点，而蓝队智能体则在每个入口出现时进行检测和修补。由于两个智能体朝相反方向推进，这种交锋会暴露单个审核智能体在只追求一个目标时容易遗漏的漏洞。

异构式多智能体系统

异构系统会组合具备不同能力、模型或工具集的智能体。一个智能体可能使用轻量模型进行快速分类，另一个使用大模型进行深度推理，第三个调用外部 API。团队的多样性让每个成员都能针对自身子任务优化，相比强制所有子任务都使用同一模型，通常能提升整体效率并降低成本。

金融分析流水线通常以这种方式运行。快速分类器扫描实时市场数据中的异常，大模型生成宏观评论和风险评估，第三个智能体则通过外部 API 拉取实时价格和财报。每个智能体都为自己的工作使用恰到好处的工具，而不是让一个庞大的单体智能体试图包办一切。

基于图的多智能体系统

在基于图的系统中，智能体和步骤被组织为图中的节点，每个节点处理一个操作，每条边定义下一步运行什么。节点可以是智能体、一次工具调用或一个路由决策，因此图会将智能体工作与普通步骤混合在一起。当任务需要分支、重试、循环或条件路由，而不是固定线性流程时，这种模式很有用。

深度研究任务通常很适合映射为图。系统先进行广泛搜索，然后分支到不同子主题的并行深挖；如果初步发现不够充分，就循环回来收集更多来源；只有达到质量阈值后，才进入最终综合。图能够捕捉这些分支与循环，这是固定流程做不到的。

单智能体 AI 与多智能体系统

单智能体 AI 和多智能体系统都很有用，但适合不同类型的任务。单个智能体通常更适合简单、直接的工作；当任务包含许多部分、需要并行探索，或能从审核中受益时，多智能体系统更合适。

维度	单智能体 AI	多智能体系统
任务处理	一个智能体处理完整任务	多个智能体分工完成
最适合	简单问题、短篇草稿、直接编辑	研究、规划、批量工作，以及包含明确子任务的复杂任务
速度	小任务通常更快	子任务可并行运行时更有优势
审核	依赖单个智能体的输出	可包含检查、评议和验证智能体
复杂度	更易监控和控制	需要编排与冲突解决
示例	重写一个段落	研究、列提纲、起草并核验一份长报告

关键在于，智能体数量更多并不必然意味着结果更好。如果任务简单，单个智能体可能更快、更清爽；如果任务复杂，多智能体 AI 可以通过为不同智能体分配不同角色，形成更好的工作结构。

多智能体系统的优势

多智能体系统之所以有用，是因为它能把复杂的 AI 任务拆分给不同角色、工具和上下文的智能体，转化为一个协同运转的系统。这种架构带来多项实际收益：

更高吞吐量：任务中的独立部分可以同时推进，有助于广泛搜索和大批量处理。
覆盖更完整：在系统综合结果之前，不同智能体可以探索不同来源、文件、竞品或视角。
质量控制更强：偏向审核的智能体可以发现证据薄弱、论断缺乏支撑、步骤缺失或结论不一致等问题。
更适合长任务：多智能体系统能够支撑包含许多连续步骤的任务，例如研究、提取、分析、起草、格式化和修订。
降低用户管理负担：用户无需手动为每一步编写提示词、复制中间输出，或拼接最终交付物。