Multi-Agent（多智能体编排）#

为什么需要多 Agent？#

单个 Agent 面临三个瓶颈：

1. 上下文窗口有限 — 一个人记不住所有事
2. 能力泛化导致质量下降 — 什么都能做 = 什么都做不精
3. 无法并行 — 串行执行效率低

类比软件团队：全栈工程师能跑通 MVP，但规模化需要职责分离、专人专事。

三种核心编排模式#

顺序管道（Sequential Pipeline）#

Agent A → Agent B → Agent C，串行处理。

类比 CI/CD Pipeline：lint → test → build → deploy，每个 stage 是一个独立 Agent。

适用场景：线性流程，如文档翻译管道（提取→翻译→校对→排版）。

监督者模式（Supervisor/Orchestrator）#

一个 Supervisor Agent 接任务、分发给 Worker Agents、收集结果汇总。

类比分布式任务调度：主节点（Supervisor）将任务分发给工作节点（Worker），收集结果后汇总，任务完成后释放资源。

适用场景：可并行的子任务，如研究报告（搜索、分析、写作各一个 Worker）。

群聊模式（Group Chat）#

多个 Agent 围绕问题轮流发言、互相评审。

发言轮转策略有三种：

• Round-robin：轮流发言，公平但低效
• Supervisor 指定：由协调者决定谁接下来说
• 自主举手：Agent 自行判断是否应该发言

适用场景：需要多视角校验的任务，如 Code Review 流程。

通信机制#

主流框架#

• LangGraph：LangChain 团队出品，基于图结构定义节点和边，提供底层原语，灵活可控
• CrewAI：高级抽象，定义角色+任务+团队，约定优于配置，开箱即用
• AutoGen：Microsoft Research 出品，支持全自主多 Agent 对话

自动化程度#

• 全自动：Supervisor 也是 LLM，无人干预
• 半自动：人类做最终决策，Agent 提方案（目前生产环境主流）
• 全手动：人直接操作工具，无 Agent

当前大多数"多 Agent 系统"实际是半自动模式——全自动的可靠性还不够。