知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 08 - 多 Agent 协作 > 导读:本文从"一个 Agent 已经能调工具了,为什么还要拆成好几个 Agent,拆了之后是不是更快更好"这个面试高频疑问出发,把多 Agent 的动因、四种协作模式(顺序流水线、主管-工人、辩论、层级)、LangGraph 与 CrewAI 两套实现、以及多 Agent 的协调成本与误用场景逐项讲透,最后给出工程实践与踩坑。适合正在准备 AI/Agent 方向面试、或正在评估"要不要上多 Agent"的同学。 ## 一、先建立全局认知 ### Q:单 Agent 干得好好的,为什么需要多 Agent? A:结论先行——**因为单个 Agent 处理复杂任务时会同时遇到三个退化:上下文过长、角色混乱、工具太多选错;多 Agent 是把任务分给不同的专家,各司其职**。 先看一个类比,这是理解多 Agent 最直观的入口: ```text 单 Agent:一个人又当产品经理又当开发又当测试 多 Agent:产品经理定需求 → 开发写代码 → 测试验证 → 各自专注 ``` **为什么"一个人全干"会退化?** 拆成三条具体机制: 1. **上下文过长**:一个人要同时记住需求、代码、测试结论、审查意见,全部堆在一个上下文里。上下文越长,注意力越稀释,前面定的需求容易被后面写的代码覆盖掉。 2. **角色混乱**:同一个 Agent 既要"提出方案"又要"批判方案",Prompt 里的两种语气会互相污染——它很难既当作者又当严格审稿人,通常会"自我肯定"。 3. **工具太多选错**:把所有工具塞给一个 Agent,工具描述之间的区分度下降,选择错误的概率上升。分工后每个 Agent 只带自己那几件工具,选择面收窄,准确率上升。 **核心收益一句话**:**多 Agent 的收益来自"关注点分离"(separation of concerns)——每个 Agent 的上下文更短、角色更纯、工具箱更小**。 ### Q:那多 Agent 是"更高级"的做法,应该优先用吗? A:结论先行——**不是。多 Agent 有明确的代价,只有当"分工收益 > 协调成本"时才划算;大多数场景下单 Agent 才是起点**。 代价清单(详见后文挑战一节):通信开销、协调复杂、错误传播、成本倍增、调试困难。这五项都属于"随 Agent 数量增长而增长的税"。 所以正确的决策顺序是: ```text 先用单 Agent 解决,确实不够再上多 Agent ``` **为什么"先单 Agent"是更理性的默认?** 因为多 Agent 是把一个 Agent 的问题拆成多个,**拆分会引入新的接口问题**,而这些问题在原方案里根本不存在。在你没有证明"单 Agent 确实卡在某处"之前,拆分只是在用新问题替换旧问题。 ## 二、四种协作模式 ### Q:顺序流水线(Sequential)是什么? A:结论先行——**Agent 依次接力,前一个的输出是后一个的输入;适合步骤有天然先后依赖的任务**。  *图:模型推理到 MCP Server 的调用链* ```text Agent A → Agent B → Agent C → 最终结果 示例:写文章 研究员 Agent → 搜索资料,整理要点 写作 Agent → 根据要点撰写文章 编辑 Agent → 审校润色 ``` **为什么"写文章"是顺序流水线的典型场景?** 因为"研究 → 写作 → 编辑"存在严格依赖:没有资料写不了文章,没写出来没法编辑。 **取舍**: - **优点**:结构最简单、职责最清晰、调试最容易(出问题就顺着链条找是哪一棒断了)。 - **缺点**:**串行,总延迟等于各段之和**;且**错误会顺着链条放大**(研究员给错资料,后面全错);没有回退机制时,编辑发现问题也只能自己改,改不动上游。 - **改进**:加一条回边(编辑不满意 → 打回写作 Agent 重写),这其实就是把线性流水线变成带循环的图。 ### Q:主管-工人(Supervisor)是什么? A:结论先行——**一个主管 Agent 负责分配任务与汇总结果,多个工人 Agent 各自执行;适合任务可拆成多个相对独立的子任务**。  *图:Supervisor 分配任务给多个 Worker* ```text ┌──────────┐ │Supervisor│ 分配任务、汇总结果 └────┬─────┘ ┌─────┼─────┐ ▼ ▼ ▼ ┌──────┐┌────┐┌──────┐ │Worker││Work││Worker│ │ A ││ B ││ C │ └──────┘└────┘└──────┘ Supervisor 决定把任务分给谁,收集结果后决定下一步 ``` **关键点在于 Supervisor 是一个"循环调度者"**:它不是"分一次就结束",而是"分发 → 收结果 → 判断是否还需要某工人 → 再分发 → …… → 直到可以给最终答案"。 **为什么这个模式实用?** - **分工收益**:每个 worker 只带自己的工具与 Prompt,上下文短、选择面窄。 - **可扩展**:加一个工人只需在 supervisor 的路由表里加一项。 - **可并行**:互不依赖的工人可以同时执行(顺序流水线做不到)。 **取舍与风险**: - **Supervisor 成为瓶颈与单点**:所有决策都经它,它判断错了整条流程就错;它的上下文也会随结果汇总而变长。 - **需要明确的"路由规则"**:supervisor 必须知道"什么任务给谁",否则会乱派。规则应尽量结构化(受限枚举),而不是自由发挥。 ### Q:辩论/讨论(Debate)模式是什么? A:结论先行——**多个 Agent 就同一问题提出、反驳、修正观点,最终收敛到共识;适合需要多角度审视的问题,如代码审查、方案评估**。 ```text Agent A 提出观点 → Agent B 反驳 → Agent A 修正 → ... → 达成共识 适用于需要多角度思考的问题 如:代码审查、方案评估 ``` **为什么辩论能提升质量?** 因为单一 Agent 的推理是"一条路径走到底",容易自我确认——它会合理化自己前面的选择。引入一个**立场相反的 Agent**,相当于强制引入"反例搜索",能暴露原方案忽略的边界条件与失败场景。辩论模式的本质是**用对抗换取覆盖度**。 **取舍与边界**: - **成本高**:多轮对抗意味着多轮 LLM 调用,Token 消耗随轮数上升。 - **可能不收敛**:两个 Agent 可以无限"你也不对、你也不对",必须有**最大轮数与收敛判定**。 - **需要裁判**:最终"谁对"不能靠感觉,应有裁判(judge)Agent 或**客观验证**(测试是否通过)来裁决。**注意:不能简单按多数投票决定技术对错**(见下文思考题 2)。 - **适用边界**:对"有客观对错"的问题(代码能否通过测试、方案是否有性能缺陷)辩论有效;对"纯主观偏好"的问题,辩论只是消耗。 ### Q:层级结构(Hierarchical)是什么? A:结论先行——**多层级的"主管-工人",上级分配给下级、下级向上级汇报;适合任务规模大到一层分不完、需要组织化管理的场景**。 ```text CEO Agent / \ 技术总监 Agent 产品总监 Agent / \ | 前端Agent 后端Agent 设计Agent 上级分配任务给下级,下级汇报结果给上级 ``` **为什么需要层级?** 因为单层主管的上下文与决策负担会随工人数量增长而爆炸。加一层相当于**做了一次"信息压缩"**:技术总监把"前端 + 后端"的细节浓缩成一句结论向上汇报,CEO 无需知道每个组件怎么实现的。 **取舍与边界**: - **优点**:可伸缩、职责清晰、汇报链明确。 - **缺点**:**层级越深,延迟与信息损失越大**(每层汇报都是一次有损压缩);顶层决策错了,代价沿层级放大;调试一个跨层的 bug 非常困难。 四种模式的整体对比: | 模式 | 拓扑 | 适合 | 主要风险 | |---|---|---|---| | 顺序流水线 | 线性串联 | 步骤有强先后依赖(研究→写作→编辑) | 串行慢、错误顺链放大、无回退 | | 主管-工人 | 星形 + 循环 | 任务可拆成独立子任务、需动态分配 | 主管单点、需明确路由规则 | | 辩论 | 双向对抗 | 需多角度审视(代码审查、方案评估) | 成本高、可能不收敛、需裁判 | | 层级 | 多层树 | 规模大、需组织化管理 | 延迟高、信息逐层有损、难调试 | ## 三、两套主流实现 ### Q:用 LangGraph 怎么实现多 Agent? A:结论先行——**把每个 Agent 实现为一个节点,用条件边根据状态里的 `next_agent` 字段决定下一步交给谁,用回边实现"审核不通过就打回重做"**。 ```python from langgraph.graph import StateGraph, END from typing import TypedDict, Literal class MultiAgentState(TypedDict): messages: list next_agent: str # 定义各个 Agent 节点 def researcher(state): """研究员:搜索和整理资料""" # 调用搜索工具,整理信息 result = research_chain.invoke(state["messages"]) return {"messages": state["messages"] + [result], "next_agent": "writer"} def writer(state): """写作者:根据资料撰写内容""" result = writing_chain.invoke(state["messages"]) return {"messages": state["messages"] + [result], "next_agent": "reviewer"} def reviewer(state): """审核者:检查质量,决定是否通过""" result = review_chain.invoke(state["messages"]) if "通过" in result.content: return {"messages": state["messages"] + [result], "next_agent": "end"} return {"messages": state["messages"] + [result], "next_agent": "writer"} def route(state) -> Literal["writer", "reviewer", "end"]: return state["next_agent"] # 构建图 graph = StateGraph(MultiAgentState) graph.add_node("researcher", researcher) graph.add_node("writer", writer) graph.add_node("reviewer", reviewer) graph.set_entry_point("researcher") graph.add_edge("researcher", "writer") graph.add_conditional_edges("writer", lambda s: "reviewer", {"reviewer": "reviewer"}) graph.add_conditional_edges("reviewer", route, { "writer": "writer", # 不通过 → 回去改 "end": END # 通过 → 结束 }) app = graph.compile() ``` 逐段解读: - **`MultiAgentState` 里有两个字段**:`messages`(共享的对话/产物流水)与 `next_agent`(下一步交给谁)。 - **`next_agent` 是这套设计的关键**:它把"路由决策"从图结构里抽出来,变成状态里的一个数据字段。节点在返回时顺便声明"我干完了,接下来该谁",路由函数只管读这个字段。**好处是:新增 Agent 不用改路由逻辑,只要各节点约定好 `next_agent` 的取值。** - **三个节点分别对应三种角色**:researcher(研究)、writer(写)、reviewer(审核)。每个节点拿到的都是**同一个 messages 流水**,所以后一个 Agent 能看到前一个的产出。 - **`reviewer` 节点里的分支**:`if "通过" in result.content` 决定 `next_agent` 是 `"writer"` 还是 `"end"`。**这就实现了"打回重做"的循环**。 - **这里有一个明显的教学瑕疵**:靠关键词 `"通过"` 判断审核结果,非常脆弱——模型说"基本可以通过,不过……"就会被误判为通过。生产上应当**要求 reviewer 输出结构化结果**(如 JSON 里的 `{"passed": true/false, "reasons": [...]}`),或者用**客观验收**(测试是否通过)代替模型自述。 - 而且要小心**死循环**:如果 writer 改了几版还是"不通过",`writer ↔ reviewer` 会无限循环。必须设置**最大重试轮数**,超限则升级人工或带缺陷交付。 - **`graph.add_conditional_edges("writer", lambda s: "reviewer", {"reviewer": "reviewer"})`**:这是一个"无条件但用条件边表达"的跳转(恒返回 `"reviewer"`)。写成条件边的意义在于**统一了"跳转意图由状态决定"的接口**,将来要加分支时直接扩展映射表即可。 - **回边的方向体现了业务语义**:`researcher → writer` 是单向普通边(研究完必写),`writer → reviewer` 是单向,`reviewer → writer` 是一条**回边**(不通过打回)。**回边的存在让"质量门禁"成为可能**。 ### Q:CrewAI 的写法有什么不同? A:结论先行——**CrewAI 用"角色(Agent)+ 任务(Task)+ 团队(Crew)"这三个声明式概念来组织多 Agent,把编排细节交给框架,代码更接近业务描述**。 ```python from crewai import Agent, Task, Crew # 定义 Agent researcher = Agent( role="研究员", goal="搜索和整理关于 {topic} 的最新信息", backstory="你是一个资深的技术研究员,擅长信息检索和整理", tools=[search_tool], llm=llm, ) writer = Agent( role="技术写作者", goal="根据研究资料撰写高质量的技术文章", backstory="你是一个经验丰富的技术博主", llm=llm, ) # 定义任务 research_task = Task( description="搜索关于 {topic} 的最新进展,整理 5 个关键要点", agent=researcher, expected_output="5 个关键要点的列表", ) writing_task = Task( description="根据研究结果撰写一篇 1000 字的技术博客", agent=writer, expected_output="一篇完整的技术博客文章", context=[research_task], # 依赖研究任务的输出 ) # 组建团队 crew = Crew( agents=[researcher, writer], tasks=[research_task, writing_task], verbose=True, ) result = crew.kickoff(inputs={"topic": "RAG 技术"}) ``` 逐段解读: - **`Agent(role, goal, backstory)`**:三个字段共同塑造这个 Agent 的"人设"。 - `role`(角色)与 `goal`(目标)定义了"它负责什么"; - `backstory`(背景故事)看起来像"拟人化的装饰",实际作用是**把行为倾向写进系统提示**("擅长信息检索和整理"引导它更主动搜索)。 - `tools=[search_tool]` 是**分工收益的体现**:只有 researcher 有搜索工具,writer 没有。**工具箱越小,选错工具的概率越低**。 - **`Task(description, agent, expected_output)`**: - `expected_output` 明确声明交付物的形态("5 个关键要点的列表"),这是**验收标准的雏形**——它让 Agent 知道自己该产出什么形状的东西。 - `context=[research_task]` **显式声明任务依赖**:writing_task 的输入包含 research_task 的输出。这就是顺序流水线在声明式框架里的表达方式。 - **`Crew(agents, tasks)`**:把人和事组装成团队。 - **`crew.kickoff(inputs={"topic": "RAG 技术"})`**:用变量填充 `{topic}` 模板并启动。`{topic}` 这种占位符机制让同一套团队定义可以复用于不同主题。 **LangGraph vs CrewAI 的取舍**: | 维度 | LangGraph | CrewAI | |---|---|---| | 抽象层次 | 低(显式图与状态) | 高(角色/任务声明式) | | 控制粒度 | 细,可精确控制每步与条件 | 粗,编排由框架决定 | | 上手速度 | 中 | 快 | | 定制能力 | 强(任意拓扑、检查点、中断) | 受框架编排模式约束 | | 适合 | 流程复杂、需要精细控制与可观测 | 快速搭出"角色分工 + 任务流水" | 一句话选型:**要"精确控制"用 LangGraph,要"快速描述团队"用 CrewAI**。具体 API 细节随版本演进,**以所用版本为准(需结合版本确认)**。 ## 四、多 Agent 的挑战与工程实践 ### Q:多 Agent 的核心挑战有哪些? A:结论先行——**五项:通信开销、协调复杂、错误传播、成本倍增、调试困难**。 ```text 1. 通信开销:Agent 之间传递信息消耗 Token 2. 协调复杂:谁先做、谁后做、结果怎么合并 3. 错误传播:一个 Agent 出错可能影响整个链条 4. 成本倍增:多个 Agent = 多次 LLM 调用 5. 调试困难:多个 Agent 交互,问题定位难 ``` 逐条解释"为什么": 1. **通信开销**:Agent 之间不能共享"脑内状态",只能通过文本交换信息——而每一次交换都要经过一次 LLM 调用(生成)与一次上下文注入(读取),双向计费。**Agent 越多,边缘越多,通信成本按边数增长。** 2. **协调复杂**:单 Agent 只需要"想下一步做什么",多 Agent 还要额外回答"这一步谁来做、做完给谁、多个结果怎么合并"。**协调逻辑本身成了必须维护的代码**,而它很容易写错。 3. **错误传播**:这是最危险的一项。上游 Agent 的错误会作为"事实"传下去,而下游 Agent **通常没有能力识别上游给的是错的**——它看到的是一个格式完整、语气自信的结论。于是错误被反复引用、放大,最终产出一个"看起来很有条理但根本性错误"的结果。 4. **成本倍增**:每个 Agent 至少一次调用,加上通信轮次,实际调用次数远超 Agent 数量。同一任务拆成 3 个 Agent,成本可能是单 Agent 的数倍。 5. **调试困难**:单 Agent 的失败是一条线性 trace;多 Agent 的失败是**多条 trace 交织**,要区分"是 A 错了、还是 B 误解了 A、还是路由派错了",需要跨 Agent 的关联追踪能力。 ### Q:既然如此,多 Agent 的落地建议是什么? A:结论先行——**三条:先单 Agent、Agent 数量控制在 3~5 个、每个 Agent 职责清晰不重叠**。 ```text 建议: 先用单 Agent 解决,确实不够再上多 Agent Agent 数量控制在 3~5 个 每个 Agent 的职责要清晰不重叠 ``` 逐条解释: - **先单 Agent**:理由是"先建立基线"。**没有单 Agent 基线,你就无法证明多 Agent 更快、更准、更便宜**——很可能拆分后只是"感觉上更专业",实际指标全面退步。 - **控制在 3~5 个**:这是**经验性建议而非硬性上限**(不同业务规模差异很大,需结合具体场景评估)。背后的逻辑是:协调成本与错误传播随 Agent 数量超线性增长,而分工收益是边际递减的,两者很快会交叉。 - **职责清晰不重叠**:这是最本质的一条。判断标准是——**同一件事的最终写入者应当唯一**。如果两个 Agent 都能产出"最终文章",就会出现互相覆盖与责任不清。 ### Q:如何为每个 Agent 划定职责,避免重叠? A:结论先行——**为每个角色定义"输入契约、允许的工具、交付物、验收标准"四件套;同一事实的最终写入者应唯一**。 | 要素 | 含义 | 缺失后果 | |---|---|---| | 输入契约 | 它接收什么样的输入(格式、必填字段) | 上游给什么就吃什么,无法校验 | | 允许的工具 | 它能调用哪些工具(最小权限) | 工具重叠 → 越权与选错 | | 交付物 | 它必须产出什么形态的东西 | 产出形态不一致,下游无法消费 | | 验收标准 | 什么算做完(客观信号) | 模型口头宣布完成 | **"最终写入者唯一"是消歧的硬规则**:比如"文章正文"只能由 writer 写,reviewer 只能产出"审核结论"(不能直接改正文)。这样出了问题能立刻定位到人(Agent),也让"改稿"这件事有明确的执行者与版本链。 **补充规则**:如果发现两个 Agent 都能完成同一件事,优先**合并**或**设定明确的路由条件**(什么条件下给 A、什么条件下给 B)。不要容忍"两个都能做,看谁先抢到"这种设计。 ### Q:Agent 之间应该传递什么信息? A:结论先行——**优先传"完成任务所需的结构化产物、证据、约束和状态摘要",而不是全部对话**。 **为什么不能传全部对话?** 三个理由: - **Token 成本**:多个 Agent 乘上完整轨迹,成本迅速失控。 - **泄露风险**:完整轨迹里可能含不必要的敏感信息,每多传一个 Agent 就多一次暴露面。 - **噪声干扰**:无关的中间过程会稀释下游 Agent 的注意力,让它抓不住重点。 **传递内容的推荐结构(示意)**: ```text [任务] 撰写技术博客,主题:RAG [上游产物] 5 个关键要点(结构化列表) [证据] 要点来源与链接 [约束] 字数 1000、面向初学者、不要出现未验证的性能数字 [状态] 已完成:研究;未完成:写作、审核 ``` **例外**:审计、调试或确需细节时,可以按需提供完整轨迹——但应是"按需拉取",而不是"默认全量广播"。 ### Q:多个 Agent 结论矛盾怎么办? A:结论先行——**保留结论对应的证据、置信度和适用条件,由专门的裁判或验证步骤比较证据;无法判定时明确呈现分歧并请求人类决策,不能简单按多数投票**。 **为什么"多数投票"是错的?** 因为技术分歧不是"意见分布"问题,而是"证据强弱"问题。三个 Agent 都持同一个错误观点时(比如都基于同一个错误的假设),多数投票会**把错误变成共识**。LLM 之间存在相关性——同一个底座模型的多个实例,很可能犯同样的错误,投票只会放大这个偏差。 正确做法: 1. **保留证据**:每个结论都要带"依据什么"(引用、数据、执行结果)。 2. **比较证据而不是比较人数**:有执行验证(测试通过、接口返回)的一方权重更高。 3. **明确适用条件**:两个结论可能都对,只是适用场景不同(一种方案在低并发下更优、另一种在高并发下更优)——这时不该判"谁对",而该**保留分歧的边界条件**。 4. **无法判定则上交人类**:把分歧如实呈现,附上各自证据,让人来决策。**不要用投票伪造确定性。** ### Q:多 Agent 什么时候反而比单 Agent 更慢更差? A:结论先行——**当任务无法并行、上下文高度共享、或协调成本高于分工收益时,多 Agent 会徒增调用次数、延迟和错误传播**。 三种典型的不划算场景: 1. **任务无法并行**:本身是严格串行的一小段逻辑,拆成三个 Agent 只是把三次调用串起来,延迟更高、成本更高,没有任何分工收益。 2. **上下文高度共享**:如果每个 Agent 都必须读完所有其他 Agent 的全部信息才能工作,那分工等于没分——每个 Agent 的上下文还是那么长,只是额外多付了通信成本。 3. **协调成本高于分工收益**:任务本身很简单(一次工具调用就能解决),为了"架构好看"套上 Supervisor + 三个 Worker,实际是给简单问题加了复杂度。 **正确的评估方法**:**先用单 Agent 建立基线指标**(成功率、延迟、Token 成本),然后只针对**明确的瓶颈**做拆分——比如"上下文太长导致准确率下降"就拆成两个 Agent 缩短上下文,并**用同一套指标验证拆分后确实改善了那个瓶颈**,而不是凭感觉。 ### Q:多 Agent 的可观测性怎么做? A:结论先行——**必须做跨 Agent 的关联追踪:给每个任务分配统一 trace id,让各 Agent 的节点执行挂在同一条链路上,才能回答"是哪个 Agent 出的错"**。 关键记录项: | 记录项 | 回答的问题 | |---|---| | 统一 trace id / 任务 id | 这次任务涉及哪几个 Agent、先后顺序如何 | | 每个 Agent 的输入与输出摘要 | 上游给下游的到底是什么(错误传播定位) | | 路由决策及其理由 | 为什么派给了这个 Agent(协调逻辑是否正确) | | 每个 Agent 的耗时与 Token | 成本与延迟主要花在哪 | | 重试/打回次数 | 循环是否失控、质量门禁是否过严 | **踩坑**:每个 Agent 各自打自己的日志,没有统一 id 关联,出问题时只能靠时间戳碰运气对齐。**必须在编排层(图或 Crew)注入统一上下文**,而不是指望各 Agent 自觉。 ### Q:多个 Agent 之间用什么方式通信——共享状态还是互相发消息? A:结论先行——**编排层优先用"共享状态(黑板)":所有 Agent 读写同一份 State;只有在需要自主协商、各方地位对等时,才用显式消息传递**。 | 通信方式 | 形态 | 优点 | 缺点 | |---|---|---|---| | 共享状态(黑板) | 所有 Agent 读写同一份 State | 单一事实来源、易追踪、天然可恢复 | 需处理并发写入与字段合并 | | 消息传递 | Agent 之间点对点发消息 | 灵活、支持对等协商 | 难追踪、易丢消息、难恢复 | **为什么优先共享状态?** 因为编排类多 Agent(流水线、主管-工人、层级)本质上是"在同一个任务上接力":谁产出了什么、当前进度到哪,都是**任务的全局事实**。放在共享状态里,天然满足三个需求——**可追踪**(一眼看到谁写了什么)、**可恢复**(状态能被检查点持久化)、**可审计**(留痕完整)。消息传递在这些需求上都要额外造轮子。 **消息传递什么时候才值得用?** 当 Agent 之间需要"协商"而不是"接力"时——例如两个 Agent 需要多轮讨价还价才能确定一个方案,或两个系统需要动态发现对方能力。这类场景下"广播到黑板"反而笨重。 **跨系统场景要额外注意**:当 Agent 分布在不同服务、甚至不同厂商时,通信就升级为**协议问题**——消息格式、能力发现、身份认证、超时与重试、错误语义都要标准化,复杂度显著上升。**能同进程用共享状态解决的,就不要先上跨系统协议。** ### Q:怎么判断"该拆多 Agent 了"? A:结论先行——**当你能指出一个具体的、可度量的瓶颈,并且这个瓶颈恰好来自"分工",才该拆;说不出瓶颈就说明还不该拆**。 把"该拆"的信号映射到具体症状: | 症状 | 是否该拆 | 拆的理由 | |---|---|---| | 上下文太长导致关键信息被淹没 | 该拆 | 拆分可让每个 Agent 的上下文更短更聚焦 | | 工具太多、选择错误率高 | 该拆 | 拆分可收窄每个 Agent 的工具集 | | 同一 Agent 既当提出者又当审查者,自我肯定严重 | 该拆 | 拆出独立的审查者能形成对抗 | | 任务本身步骤很少或严格串行 | 不该拆 | 拆分只增加调用次数与延迟 | | 只是"觉得架构不够专业" | 不该拆 | 没有可度量的收益,纯属增加复杂度 | **执行方法**:先跑单 Agent 建立基线(成功率、延迟、Token 成本),记录**具体失败样本**;再针对性拆分,并用**同一套指标**回归验证。**没有前后对比指标的"拆分",本质上是凭感觉重构。** ## 小结 - **多 Agent 适合复杂任务的分工协作**,收益来自"关注点分离":上下文更短、角色更纯、工具更少。 - 常见模式:**顺序流水线**(强依赖、串行)、**主管-工人**(动态分配、可并行)、**辩论**(多角度对抗)、**层级**(大规模组织化);每种都有明确代价。 - **LangGraph 和 CrewAI 是主流的多 Agent 框架**:前者低抽象、精细可控,后者高抽象、声明式描述团队;具体 API 以所用版本为准。 - 多 Agent 的五大挑战:**通信开销、协调复杂、错误传播、成本倍增、调试困难**。 - **不要过度设计,单 Agent 够用就不要上多 Agent**;如要拆,Agent 数量控制在 3~5 个(经验值),职责清晰不重叠,同一事实的最终写入者唯一。 - 传递信息要传**结构化产物与证据摘要**而非全部对话;结论矛盾要**比证据而不是投票**;必须做**跨 Agent 的统一 trace 关联**。 ## 思考题 1. 多 Agent 系统中,Agent 之间应该传递什么信息?全部对话还是摘要? - **参考答案:**优先传递完成任务所需的结构化产物、证据、约束和状态摘要,而不是全部对话。完整轨迹仅在审计、调试或确需细节时按需提供,以控制 Token、泄露风险与噪声。 2. 如何处理多个 Agent 给出矛盾结论的情况? - **参考答案:**保留结论对应的证据、置信度和适用条件,由专门的裁判或验证步骤比较证据;无法判定时明确呈现分歧并请求人类决策,不能简单按多数投票。 3. 如何为每个 Agent 划定职责,避免角色重叠? - **参考答案:**为每个角色定义输入契约、允许的工具、交付物和验收标准;同一事实的最终写入者应唯一。若两个 Agent 都能完成同一任务,优先合并或设定明确路由条件。 4. 多 Agent 何时反而比单 Agent 更慢、更差? - **参考答案:**任务无法并行、上下文高度共享或协调成本高于分工收益时,多 Agent 会增加调用次数、延迟和错误传播。应先用单 Agent 基线评估,再针对明确瓶颈拆分。
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入