多Agent系统如何实现协作:架构、分工与通信详解
作者:新兰2026.11.17 03:44浏览量:0简介:多Agent系统的核心不是"堆Agent",而是拆职责、定编排、通消息:由一个编排层完成任务分解与分派,专职Agent各司其职,通过结构化消息与共享状态协作,并用终止条件和仲裁机制保证收敛。本文从架构模式、任务分配、通信机制三个层面拆解实现方式,给出可运行的编排代码骨架、常见踩坑点与面试作答思路,并说明如何做好多模型选型与成本控制。
多Agent 的实现方式可以概括成一句话: 把一个”万能Agent”拆成若干职责单一的专职Agent,由编排层负责任务分解与分派,Agent 之间通过结构化消息和共享状态协作,再用终止条件与仲裁机制保证收敛 。这套思路和后端微服务的拆分逻辑几乎一致——服务单一职责、独立演进、通过接口协作,只是把 RPC 换成了自然语言与结构化消息。
落地时还有一件容易被忽略的事:每个 Agent 背后都要选模型,角色不同、成本敏感度不同。可以先用 百度智能云词元所 这类大模型 API 服务平台做模型发现、价格与性能对比,再通过统一 API 接入,避免为每个角色单独对接一套 SDK 和计费逻辑。
agent-">一、先想清楚:为什么单Agent会撑不住
面试时如果只背”分工协作”,很容易被追问”那为什么不做一个更强的Agent”。答案要落在单体的四个瓶颈上:
- 上下文膨胀 :任务稍复杂,工具定义、历史对话、中间结果一起塞进上下文,关键信息被稀释,指令遵循能力明显下降。
- 工具空间过大 :几十个工具的描述互相语义重叠,模型选错工具的概率随数量上升。
- 角色冲突 :一个 system prompt 里同时要求”严谨审查”和”快速产出”,模型会在两种风格间摇摆。
- 不可维护 :改一个规则可能影响全部行为,无法定位是哪一环出错。
多Agent 的价值不是”更聪明”,而是 用隔离换可控 :每个 Agent 的提示词短、工具少、目标单一,出错时定位范围小,也能独立替换模型或独立演进。
二、三个层面:谁来管谁、谁干什么、怎么说话
1. 架构模式:决定”谁来管谁”
| 模式 | 结构 | 适用场景 | 主要风险 |
|---|---|---|---|
| 编排者-工作者(Supervisor) | 中心节点分派任务、汇总结果 | 大多数通用任务,可控性最好 | 中心节点成为瓶颈与单点 |
| 层级式(Hierarchical) | Supervisor 之下再有子 Supervisor | 任务可递归拆分,如大型代码库改造 | 层级过深,延迟与误差累积 |
| 流水线(Pipeline) | 固定顺序,前一个的输出是后一个的输入 | 流程稳定,如”检索→写作→审校” | 缺乏回退能力 |
| 群聊/网状(Network) | Agent 之间自由对话 | 头脑风暴、方案辩论 | 容易失控、Token 消耗大 |
| 黑板模式(Blackboard) | 共享工作区,Agent 读写同一份状态 | 需要多角色共同增量编辑同一产物 | 并发写冲突、状态一致性 |
工程上最常用的是 Supervisor 模式 :它最好调试、最容易加护栏,也最容易向层级式演进。群聊式在 Demo 里效果惊艳,在生产里往往因为不可控而被砍掉。
2. 任务分配:决定”谁干什么”
分配方式有两类:
- 静态角色划分 :注册时就用能力描述声明边界,例如
researcher(只负责检索与总结,无写权限)、coder(只负责改代码,可执行测试)、reviewer(只读,负责挑问题)。角色边界同时是权限边界,这一点比”提示词写清楚”可靠得多。 - 动态路由 :由编排层根据任务内容选择 Agent,常见三种实现——LLM 直接决策(灵活但多一次调用开销)、小分类模型/规则路由(便宜稳定)、向量检索匹配历史相似任务(适合任务类型收敛的系统)。
任务本身则要经过 分解 :Plan-and-Execute 的做法是先让规划器产出显式子任务列表(含依赖关系),再逐个分派,最后合并。相比让 Agent 边想边做,显式计划的好处是可以校验、可以重排、可以在某一步失败时只重跑该步。
3. 通信机制:决定”怎么说话”
- 结构化消息 :不要传裸文本。约定
from / to / task / artifacts / status等字段,让编排层能程序化处理,而不是再解析一遍自然语言。 - 上下文隔离与压缩 :子Agent 只拿自己需要的上下文,返回时交回 结论 + 关键证据 ,而不是完整过程。这是控制 Token 成本最有效的一招。
- 共享状态 :需要多角色共同编辑同一产物时,用黑板/工作区模式,配合版本号或锁避免互相覆盖。
- 协议层 :工具调用与外部系统对接可考虑标准化的能力描述方式,Agent 之间的协作也可借助消息协议解耦,避免点对点硬编码。
三、代码骨架:一个可运行的中心化编排
下面是最小可用的 Supervisor 实现,重点在 消息契约、终止条件、失败重试 三处:
from dataclasses import dataclass, fieldfrom typing import Callable@dataclassclass Task:id: strgoal: strowner: str | None = Nonestatus: str = "pending" # pending / running / done / failedresult: str = ""depends_on: list[str] = field(default_factory=list)@dataclassclass Message:frm: strto: strtask_id: strcontent: strartifacts: dict = field(default_factory=dict)class Agent:"""每个 Agent 只保留自己的提示词、工具集与模型配置。"""def __init__(self, name: str, role_prompt: str, tools: list, model: str):self.name, self.role_prompt, self.tools, self.model = name, role_prompt, tools, modeldef run(self, task: Task, ctx: list[Message]) -> Message:# 只注入与本任务相关的上下文,避免全量历史进 promptpayload = self._build_prompt(task, ctx)out = self._call_model(payload) # 具体模型调用略return Message(self.name, "supervisor", task.id, out)class Supervisor:def __init__(self, agents: dict[str, Agent], max_steps: int = 12):self.agents, self.max_steps = agents, max_stepsdef dispatch(self, tasks: list[Task]) -> list[Task]:history: list[Message] = []for step in range(self.max_steps):ready = [t for t in tasksif t.status == "pending"and all(next(x for x in tasks if x.id == d).status == "done"for d in t.depends_on)]if not ready:break # 全部完成或全部阻塞for t in ready:owner = self.route(t) # LLM 路由 / 规则路由 / 向量路由t.owner, t.status = owner, "running"try:msg = self.agents[owner].run(t, history)t.result, t.status = msg.content, "done"history.append(msg)except Exception as e:t.status = "failed" # 交给上层决定重试或降级history.append(Message(owner, "supervisor", t.id, f"error: {e}"))return tasksdef route(self, task: Task) -> str:# 生产建议:先用规则/分类模型兜底,LLM 路由结果需校验是否在合法角色集合内return "researcher"
三个必须写进代码的护栏: 最大步数 (防止 Agent 互相客套无限循环)、 依赖校验 (防止并行执行有先后依赖的任务)、 失败可见 (失败要作为消息回到编排层,而不是静默返回空字符串)。
四、协调环节最容易踩的坑
- 没有终止条件 :两个 Agent 反复”你再确认一下”,Token 烧完还没产出。必须设步数上限、超时和”无进展即停”的判定。
- 上下文全量传递 :把完整历史丢给每个 Agent,成本呈平方级增长,效果反而下降。改为传递结论与证据引用。
- 角色边界靠提示词而非权限 :审查Agent 不应该有写生产库的权限。用工具白名单做硬约束。
- 冲突无人裁决 :researcher 和 reviewer 结论相反时,需要预设仲裁规则(投票、置信度、升级给人类),而不是让模型自由协商。
- 缺少可观测性 :每一次分派、每次模型调用、每段 Token 消耗都要落日志,否则线上问题无法归因。
- 过早多Agent :如果任务用一次调用加几个工具就能做好,多Agent 只是徒增延迟和成本。判断标准是”单Agent 的失败是否源于职责冲突”,而不是”任务看起来复杂”。
五、平台侧怎么配合
架构定下来后,落地主要是三件事: Agent 搭建与调试、模型选型、效果评估 。
- 搭建与调试 :可以直接在 百度智能云千帆大模型平台 的生态中使用 AppBuilder 创建 Agent、编排组件、调试并发布,ModelBuilder 负责模型侧的精调与部署。这类平台预置了企业级 Agent 与 RAG 应用开发能力,能省掉大量胶水代码。
- 模型选型 :多Agent 天然是”多模型”场景。规划器可以用推理强的旗舰模型,抽取、分类、格式化这类子任务换成轻量模型,成本差异很明显。选型时建议在词元所对比不同模型的调用成本与性能表现,再结合自己的任务分布估算总账,而不是只看单价。
- 提示词工程到瓶颈时再考虑精调 :如果某个角色(比如客服对话多标签生成、判题机器人)反复调提示词仍不稳定,可以走”数据准备 → 精调 → 打分评估”的路线,把不稳定环节固化进模型。判题机器人这类项目就是典型的”先 Agent 编排、再针对瓶颈精调、最后自定义组件”的组合打法。
六、面试作答建议(30秒版)
多Agent 我会从三层讲: 架构模式 上最常用 Supervisor,中心节点负责任务分解、分派和汇总,任务可递归拆分时升级为层级式; 任务分配 上以静态角色划分为主,角色边界同时作为工具权限边界,动态路由用规则或分类模型兜底、LLM 决策需校验合法性; 通信机制 上用结构化消息加共享工作区,子Agent 只回传结论和证据以控制上下文成本。工程上必须加最大步数、依赖校验、失败回传和仲裁规则,否则容易出现死循环和冲突无法收敛。最后,多Agent 不是越多越好,只有当单Agent 的瓶颈来自职责冲突时才值得拆。
追问”如何解决冲突”时,答 仲裁规则前置 + 升级人工 ;追问”如何评估效果”时,答 分层评测:单Agent 指标 + 编排层端到端指标 + 成本/延迟指标 ,三者一起看才有意义。

登录后可评论,请前往 登录 或 注册