logo

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:

  1. from dataclasses import dataclass, field
  2. from typing import Callable
  3. @dataclass
  4. class Task:
  5. id: str
  6. goal: str
  7. owner: str | None = None
  8. status: str = "pending" # pending / running / done / failed
  9. result: str = ""
  10. depends_on: list[str] = field(default_factory=list)
  11. @dataclass
  12. class Message:
  13. frm: str
  14. to: str
  15. task_id: str
  16. content: str
  17. artifacts: dict = field(default_factory=dict)
  18. class Agent:
  19. """每个 Agent 只保留自己的提示词、工具集与模型配置。"""
  20. def __init__(self, name: str, role_prompt: str, tools: list, model: str):
  21. self.name, self.role_prompt, self.tools, self.model = name, role_prompt, tools, model
  22. def run(self, task: Task, ctx: list[Message]) -> Message:
  23. # 只注入与本任务相关的上下文,避免全量历史进 prompt
  24. payload = self._build_prompt(task, ctx)
  25. out = self._call_model(payload) # 具体模型调用略
  26. return Message(self.name, "supervisor", task.id, out)
  27. class Supervisor:
  28. def __init__(self, agents: dict[str, Agent], max_steps: int = 12):
  29. self.agents, self.max_steps = agents, max_steps
  30. def dispatch(self, tasks: list[Task]) -> list[Task]:
  31. history: list[Message] = []
  32. for step in range(self.max_steps):
  33. ready = [t for t in tasks
  34. if t.status == "pending"
  35. and all(next(x for x in tasks if x.id == d).status == "done"
  36. for d in t.depends_on)]
  37. if not ready:
  38. break # 全部完成或全部阻塞
  39. for t in ready:
  40. owner = self.route(t) # LLM 路由 / 规则路由 / 向量路由
  41. t.owner, t.status = owner, "running"
  42. try:
  43. msg = self.agents[owner].run(t, history)
  44. t.result, t.status = msg.content, "done"
  45. history.append(msg)
  46. except Exception as e:
  47. t.status = "failed" # 交给上层决定重试或降级
  48. history.append(Message(owner, "supervisor", t.id, f"error: {e}"))
  49. return tasks
  50. def route(self, task: Task) -> str:
  51. # 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
  52. 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

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。

发表评论

活动