多智能体协作

是什么

把任务拆给多个有不同角色/工具的 Agent，通过消息、共享状态或监督者协调，共同完成目标。

为什么需要

单一 Agent 上下文有限、易跑偏、难并行。复杂任务（研究 + 写作 + 审核、代码生成 + 测试 + 修复）用多 Agent 分工更高效、更可控。

核心概念

• 角色分工：规划者、执行者、审核者、检索者……各司其职。
• 通信方式：消息传递（A→B）、共享黑板（公共状态）、监督者分发。
• 编排模式：Supervisor（监督者调度）、Pipeline（流水线）、Debate（辩论对齐）。
• 终止条件：共识达成、轮次上限、人工确认。

范式：Supervisor 调度

最小范式（监督者思路）

workers = {"planner": planner_agent, "executor": executor_agent, "reviewer": reviewer_agent}
state = {"task": user_task}
for _ in range(max_rounds):
    role = supervisor.select(state)            # 决定下一步交给谁
    state = workers[role].run(state)
    if reviewer.approve(state):                # 终止条件
        break
return state["result"]

常见陷阱

• 通信开销爆炸：Agent 间频繁互发长消息，token 成本指数级上升。
• 责任不清：多个 Agent 都能做同一件事，结果互相覆盖、无人负责。
• 无终止：辩论/迭代无上限，要设轮次与"通过判据"。
• 一致性漂移：各 Agent 基于不同上下文，结论相互矛盾，需共享一份事实状态。

何时上多 Agent

单 Agent + 良好工具链能解决的事，不要拆多 Agent。仅在"明显可并行 / 需独立专业 / 需相互制衡"时才引入。

参考

• AutoGen（Microsoft）多 Agent 对话文档
• CrewAI 角色编排文档
• LangGraph 多节点图编排文档