Multi-Agent（多智能体）

多智能体系统将复杂任务拆解给多个专职 Agent，各自持有独立状态并通过结构化消息互动。

• 核心思想：「分而治之」——将规划、执行、审查等职责分配给不同角色，降低单点瓶颈。
• 与单 Agent 的关键差异：单 Agent 顺序思考，多 Agent 可并行处理子任务，显著提升吞吐与专业化深度。
• 消息传递：Agent 之间通过结构化消息（JSON 或自然语言）传递状态、结果与指令，而非共享内存。
• 编排层：系统通常需要一个「协调者」（Orchestrator）负责任务分发与结果聚合，防止 Agent 陷入循环。
• 应用价值：适合需要跨领域分工或并行加速的场景，如代码生成＋测试＋文档同步进行。

一个典型的多智能体执行周期由「规划—分发—执行—聚合」四个阶段构成。

• 规划者（Planner）：接收用户目标，将其分解为子任务列表，并确定任务依赖关系（DAG 结构）。
• 执行者（Worker / Executor）：接受单一子任务，调用工具或模型完成后返回结果给协调者。
• 审查者（Critic / Reviewer）：对执行结果进行质量检验，不合格时触发重试或降级策略。
• 消息协议：Agent 间通信格式需严格约定（字段、状态码、错误类型），否则歧义会导致级联失败。
• 终止条件：系统需设置明确的完成判定逻辑，防止 Agent 间反复争论而永不收敛。

多智能体系统按拓扑结构和协作模式可分为几类主流形态。

• 主从式（Orchestrator-Worker）：一个中心协调者统一调度多个执行者，结构清晰，如 AutoGen（Microsoft Research, 2023）和 CrewAI 的默认模式。
• 对等式（Peer-to-Peer）：Agent 间地位平等，自由协商任务归属，灵活但难以控制收敛。
• 流水线式（Pipeline）：Agent 按固定顺序串行处理，上一步输出是下一步输入，如 LangGraph 中的有向图工作流。
• 群体式（Swarm）：大量轻量 Agent 并发探索，通过竞争或投票选出最优结果，OpenAI Swarm（2024, 实验性）属此类。
• 辩论式（Debate）：多个 Agent 持不同立场互相论证，由裁判 Agent 综合评判，常用于提升推理准确性。

多智能体架构在需要跨领域分工或并行加速的任务中优势最为显著。

• 软件工程：规划者拆解需求→编码者实现→测试者验证→文档者写注释，典型代表是 Devin（Cognition AI, 2024）和 SWE-agent。
• 科学研究：检索 Agent 收集文献，分析 Agent 提炼要点，写作 Agent 起草报告，审稿 Agent 校对逻辑。
• 客服与销售：意图识别 Agent 分流，专项 Agent 处理退款 / 推荐 / 投诉，提升响应速度与专业度。
• 游戏与仿真：多个 NPC Agent 各自具备目标与记忆，形成动态社会行为，如斯坦福「生成式智能体」实验（Park et al., 2023）。
• 数据处理流水线：爬取→清洗→标注→入库的各环节由独立 Agent 负责，支持水平扩展。

多智能体容易与若干相近概念混淆，以下对比帮助厘清边界。

• Multi-Agent vs 单 Agent（Autonomous Agent）：单 Agent 独立完成全部步骤，多 Agent 将步骤拆给不同专职角色；前者简单可控，后者适合复杂并行任务。
• Multi-Agent vs 工作流（Workflow）：工作流是静态流程图，节点逻辑固定；多智能体的 Agent 可动态决策、自主选择工具，具备更强适应性。
• Multi-Agent vs RAG：RAG 是单次检索增强生成，多智能体可在 RAG 之上增加规划、验证等环节，属更高层的系统架构。
• Multi-Agent vs MCP：MCP 是工具调用标准协议，是多智能体中 Agent 与外部服务通信的底层机制，两者层次不同。
• Multi-Agent vs 微服务：思想相似（独立职责、接口通信），但 Agent 节点本身具备推理能力，微服务节点通常是确定性逻辑。

多智能体并非万能，滥用或设计不当会引入严重工程风险。

• 循环争论（Infinite Loop） ：Agent 间互相等待或反复修改同一输出，若无终止条件系统会挂起，这是最常见的生产事故。
  - 重复劳动 ： 职责边界不清晰时，多个 Agent 会对同一子任务重复推理，浪费算力且结果不一致。
  -误区——越多越好：盲目增加 Agent 数量会指数级放大协调开销；对简单任务，单 Agent＋工具调用往往更高效。
  - 延迟叠加： 每次 Agent 间通信都引入一次 LLM 推理延迟，深层流水线的端到端延迟可能远超预期。
  -调试困难：分布式状态与异步消息让错误追踪极为复杂， 可观测性（Observability）工具（如 LangSmith、Langfuse）是工程必备。

多智能体系统的思想源自传统 AI，因大模型的涌现能力而在近年迎来工程爆发。

• 1980 年代：多智能体系统（MAS）作为分布式人工智能（DAI）研究方向兴起，最初用于机器人控制与调度优化；DAI 本身于 1975 年前后成为独立子领域。
• 1995：Wooldridge & Jennings 发表奠基性综述「Intelligent Agents: Theory and Practice」，系统化定义智能体的理性、自主与社会能力，成为 MAS 领域标志性文献。
• 2023：AutoGen（Microsoft Research）和 MetaGPT 先后发布，首次将 LLM 嵌入多智能体框架并开源，AutoGen 以「群聊对话」为核心抽象，MetaGPT 则引入 SOP（标准操作规程）模拟团队协作。
• 2023：斯坦福「生成式智能体」论文（Park et al.）展示 25 个 Agent 在沙盒世界的自主社会行为，证明 LLM 多智能体的涌现潜力。
• 2024：CrewAI、LangGraph、AutoGen v0.4 等框架相继成熟，多智能体进入生产可用阶段；Devin（Cognition AI）成为首个商业化多智能体软件工程师产品。
• 2025 至今：Agent 间通信标准化（如 MCP、A2A 协议）成为行业焦点，目标是让不同厂商的 Agent 互操作。