前言

随着大语言模型能力的不断提升，AI 智能体正从简单的对话工具演变为能够自主执行复杂任务的系统。然而，单个智能体在面对多领域、多步骤的复杂任务时仍显力不从心。多智能体系统（Multi-Agent System）通过模拟人类团队协作的方式，让多个专业化的智能体分工合作，为解决这一挑战提供了新的思路。本文旨在为 AI 工程师、架构师以及对多智能体系统感兴趣的研究者提供一个全面的技术概览，系统性地介绍多智能体协作的核心范式、架构演进、通信机制以及工程实践中的关键问题。

如果说单个大语言模型（LLM）是一个知识渊博的"超级大脑"，那么多智能体系统（Multi-Agent System, MAS）就是一个各司其职、通过开会讨论来解决复杂问题的"顶尖团队"。

在过去两年里，AI 智能体正在从"会对话的模型"进化为能够理解任务、拆解步骤、调用工具、维护记忆并根据反馈调整行为的系统。但当任务复杂到单个智能体难以独立完成时，研究者们开始将多个智能体组织起来，让它们分工协作。

然而，规模的扩大也带来了新的复杂性。多个不稳定的模块简单叠加，并不会自动产生更强的智能；相反，它可能放大错误、增加沟通成本，并让系统表现更加难以预测。本文将从架构、协作模式、通信机制和工程挑战四个维度，系统性地拆解多智能体协作的技术全貌。

一、为什么要从"单打独斗"走向"团队协作"？

在生成式 AI 早期，我们习惯将 LLM 视为全能选手。但随着应用复杂度的提升，这种单体模式暴露出了明显的局限性：上下文窗口有限、缺乏长期任务规划能力、难以处理多步骤逻辑推理，以及面对复杂约束时容易产生"幻觉"。

单体智能的瓶颈主要体现在三个维度：
- 任务分解复杂度高：例如"写一个基于 Web 的库存管理系统"，这需要前端、后端、数据库等多领域知识，单个 Prompt 很难一次性生成高质量的全栈代码。
- 缺乏自我修正机制：如果第一步代码出错，单 Agent 难以回溯检查，除非引入外部调试循环。
- 工具过载与上下文混淆：让一个 Agent 同时处理结构化 API 调用和复杂的网页自动化，就像让同一个工程师既写后端代码又手动点击网站，最终导致工具调用混乱、上下文丢失。

多智能体系统的核心优势在于专业化分工与迭代式交互。通过定义不同的角色（如产品经理、架构师、开发者、测试员），系统可以模拟完整的软件开发生命周期。每个 Agent 专注于自己的领域，通过消息传递交换信息，最终提升结果的准确性和可靠性。

二、协作的核心范式：他们怎么"开会"？

在多智能体系统中，Agent 之间的交互模式决定了系统的能力边界。根据现有研究和实践，协作范式主要分为以下三类：

1. 串行工作流（Sequential Workflow）

类似工厂流水线，Agent A 的输出作为 Agent B 的输入。例如：需求分析 → 代码生成 → 代码审查。这种模式结构清晰，适合步骤明确的确定性流程。

2. 并行协作（Parallel Collaboration）

多个 Agent 同时处理同一任务的不同部分，最后汇总结果。例如多个代码生成 Agent 并行开发不同模块，再由集成 Agent 合并。这能显著提升效率，但需要解决结果的一致性问题。

3. 协商与辩论（Negotiation & Debate）

这是最接近"开会"的模式。多个 Agent 持有不同观点，通过多轮对话进行辩论、批评和修正，直到达成共识。这种模式特别适用于需要高准确率或创造性的任务，因为它引入了"批判性思维"环节。

三、架构演进：从扁平化到双层治理

在扁平化的网状协作网络中，开发者经常观测到"熵增"现象：意图漂移（下游 Agent 偏离初始需求）、死锁与循环（Agent 互相等待）、算力浪费（简单任务也调用大模型）。

为了解决这些问题，业界借鉴微服务架构的设计思想，提出了 "指挥官-调度官"双层架构模式，核心思想是将"战略规划"与"战术调度"分离：

角色	层级	核心职责	关键能力指标
指挥官 (Commander)	决策层	意图识别、任务拆解、编排与验收	推理能力强、指令遵循度高
调度官 (Dispatcher)	路由层	动态路由、负载均衡、状态监控、熔断	高并发、低延迟、高稳定性
执行者 (Worker)	执行层	专注于特定领域的原子任务	专业度高、工具调用准确

在这个架构中，Commander 利用大模型将用户请求转化为结构化的任务图（Task Graph），Dispatcher 则根据任务标签，在注册中心寻找空闲且具备对应能力的 Worker 进行分发。Dispatcher 不应由不稳定的 LLM 扮演，而应由确定性的代码逻辑或轻量级模型构成，以实现高可靠的消息路由。

这种职能解耦的方式，有效解决了多智能体系统在复杂业务场景下的高并发与高可用问题。

四、通信机制：他们怎么"说话"？

智能体之间如何高效、可靠地沟通，是系统设计的另一大核心。目前主流的技术路径分为同步与异步两种模式。

1. Agent-to-Agent（A2A）协议与同步协作

A2A 协议旨在为不同厂商、不同框架开发的 Agent 建立标准化的交互协议。每个 Agent 会发布一张"Agent Card"（名片），上面写明自己的能力、地址和认证方式。协调者通过维护一个注册中心，自动发现新增的 Agent，无需人工配置。

在同步模式下，协调者（Orchestrator）接收到用户请求后，通过 LLM 进行意图识别，并行地向多个专业 Agent 发起 A2A 调用。例如，当用户问"查一下我的休假余额，并和经理约个会"，协调者会同时向 HCM Agent（查余额）和 Calendar Agent（约会议）发起请求，这种模式能够有效应对简单的并行任务。

2. 基于消息队列的异步通信

然而，在包含长耗时任务（如深度研究、复杂代码生成）的场景中，同步调用模式容易引发"级联阻塞"：上游 Agent 必须等待下游 Agent 返回结果，才能继续下一步，这严重限制了系统的吞吐量和可用性。

为解决这个问题，RocketMQ for AI 等方案引入了基于事件驱动的异步通信模式。它的优势在于：
- 解耦调用依赖：主 Agent 分发任务后即可释放，子 Agent 完成任务后通过消息回调，变"同步等待"为"异步通知"。
- 可靠重试与容错：当某个子 Agent 任务失败时，消息队列可进行可靠重试，避免了中间过程算力资源的浪费。
- 削峰填谷：通过流量控制与优先级调度，避免下游 Agent 因流量洪峰而过载，提升系统整体的稳定性。

五、记忆与归因：系统级挑战

1. 持久化记忆

在多智能体网络中，如果不引入持久化的记忆层，Agent 间的交互历史和上下文在会话结束后就会丢失。向量数据库（如 Milvus）在这里扮演了核心角色。通过将 Agent 的消息、工具输出和交互日志转化为向量嵌入并存储，Agent 可以实现：
- 语义检索：基于语义而非关键词检索历史记录，维持长周期上下文。
- 跨会话记忆：复用以往的解决方案，避免重复工作。

2. 故障归因

在多智能体系统中，失败很少只来自一个孤立步骤。一个早期的错误判断可能影响后续的任务分解，一次不准确的工具调用可能被后续的 Agent 当作可靠证据继续使用。

因此，多智能体系统需要的不只是最终的评测分数，还需要对失败过程的归因分析。我们需要追问：失败发生在哪个阶段？涉及哪些 Agent？错误是来自能力不足、角色设计、通信机制，还是调度策略？如果缺乏归因能力，系统的改进将变成盲目的试错。

六、工程实践与框架选型

目前，多智能体框架的工具链已经快速成熟，开发者可以根据需求选择合适的工具：

• CrewAI：设计哲学围绕"角色"（Role）、"任务"（Task）和"团队"（Crew）展开，开发者体验优秀，适合构建结构化的任务流水线，是我对多数团队的默认推荐。
• AG2 (原 AutoGen)：由微软孵化，灵活且功能强大，支持复杂的对话式多智能体模式和"人类-in-the-loop"。但它对模型能力要求较高，弱模型（如 GPT-3.5）容易让 Agent 陷入"礼貌循环"，互相感谢却不完成任务。
• LangGraph：基于图（Graph）的编排框架，提供对状态管理和条件路由的细粒度控制，适合需要高度定制化流程的场景。

CrewAI 示例：构建一个简单的多智能体团队

以下是一个使用 CrewAI 构建多智能体团队的简单示例，展示了如何定义角色、任务并组织团队协作：

# 导入必要的库
from crewai import Agent, Task, Crew, Process
from langchain_openai import ChatOpenAI
1. 定义智能体角色
研究员：负责收集和分析信息
researcher = Agent(
role='资深研究员',
goal='为指定主题收集全面、准确的信息',
backstory='你是一位经验丰富的研究员，擅长从多个来源收集信息并进行综合分析。',
verbose=True,
llm=ChatOpenAI(model='gpt-4', temperature=0.7)
)
作家：负责撰写内容
writer = Agent(
role='技术作家',
goal='基于研究结果撰写清晰、专业的技术文档',
backstory='你是一位技术作家，擅长将复杂的技术概念转化为易于理解的内容。',
verbose=True,
llm=ChatOpenAI(model='gpt-4', temperature=0.7)
)
2. 定义任务
research_task = Task(
description='收集关于多智能体系统最新发展趋势的信息，重点关注协作模式和通信机制。',
expected_output='一份包含关键发现、趋势分析和数据来源的研究报告。',
agent=researcher
)
writing_task = Task(
description='基于研究员提供的信息，撰写一篇关于多智能体系统技术概览的文章。',
expected_output='一篇结构清晰、内容专业的技术文章，包含引言、主体和结论。',
agent=writer,
context=[research_task]  # 依赖研究任务的结果
)
3. 组建团队并执行
crew = Crew(
agents=[researcher, writer],
tasks=[research_task, writing_task],
process=Process.sequential  # 使用串行工作流
)
4. 启动团队执行任务
result = crew.kickoff(inputs={'topic': '多智能体系统技术发展'})
print(result)

关键步骤说明：

1. 角色定义：通过 Agent 类创建具有特定角色、目标和背景的智能体。
2. 任务编排：使用 Task 类定义具体任务，可以指定任务间的依赖关系。
3. 团队组建：Crew 类将智能体和任务组织起来，支持串行、并行等协作模式。
4. 执行流程：kickoff 方法启动团队协作，智能体按预设流程执行任务。

LangGraph 示例：构建一个条件路由工作流

以下是一个使用 LangGraph 构建多智能体工作流的示例，展示了如何通过图结构实现条件路由和状态管理：

# 导入必要的库
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
import operator
1. 定义状态结构
class AgentState(TypedDict):
"""工作流状态定义"""
messages: Annotated[list, operator.add]  # 消息历史
topic: str  # 当前处理的主题
analysis_result: str  # 分析结果
decision: str  # 决策结果
2. 定义智能体节点函数
def research_agent(state: AgentState) -> dict:
"""研究智能体：收集和分析信息"""
llm = ChatOpenAI(model='gpt-4', temperature=0.7)
prompt = f"""请对以下主题进行深入研究：{state['topic']}
重点关注技术趋势、应用场景和挑战。
请提供详细的分析报告。"""
response = llm.invoke([HumanMessage(content=prompt)])
return {
'analysis_result': response.content,
'messages': [{'role': 'assistant', 'content': f'研究完成：{response.content[:100]}...'}]
}
def decision_agent(state: AgentState) -> dict:
"""决策智能体：基于分析结果做出决策"""
llm = ChatOpenAI(model='gpt-4', temperature=0.7)
prompt = f"""基于以下分析结果：
{state['analysis_result']}
请评估该技术方向的可行性和优先级，给出明确的决策建议。"""
response = llm.invoke([HumanMessage(content=prompt)])
简单的决策逻辑：如果分析结果包含"挑战"且长度超过500字，建议深入研究
if '挑战' in state['analysis_result'] and len(state['analysis_result']) > 500:
decision = '需要进一步深入调研'
else:
decision = '可以继续推进'
return {
'decision': decision,
'messages': [{'role': 'assistant', 'content': f'决策结果：{decision}'}]
}
def review_agent(state: AgentState) -> dict:
"""评审智能体：对决策进行评审"""
llm = ChatOpenAI(model='gpt-4', temperature=0.7)
prompt = f"""请评审以下决策：{state['decision']}
基于分析结果：{state['analysis_result'][:300]}...
请提供评审意见和改进建议。"""
response = llm.invoke([HumanMessage(content=prompt)])
return {
'messages': [{'role': 'assistant', 'content': f'评审意见：{response.content[:100]}...'}]
}
3. 定义条件路由函数
def should_review(state: AgentState) -> str:
"""决定是否需要评审"""
if state['decision'] == '需要进一步深入调研':
return 'review'  # 需要评审
else:
return 'end'  # 直接结束
4. 构建工作流图
workflow = StateGraph(AgentState)
添加节点
workflow.add_node('research', research_agent)
workflow.add_node('decision', decision_agent)
workflow.add_node('review', review_agent)
设置边和条件路由
workflow.set_entry_point('research')
workflow.add_edge('research', 'decision')
workflow.add_conditional_edges(
'decision',
should_review,
{
'review': 'review',
'end': END
}
)
workflow.add_edge('review', END)
5. 编译并执行工作流
app = workflow.compile()
初始化状态并执行
initial_state = AgentState(
messages=[],
topic='多智能体系统在金融风控中的应用',
analysis_result='',
decision=''
)
result = app.invoke(initial_state)
print(f"最终决策：{result['decision']}")
print(f"消息历史：{result['messages']}")

关键步骤说明：

1. 状态定义：使用 TypedDict 定义工作流的状态结构，确保类型安全。
2. 节点函数：每个智能体作为图中的一个节点，接收状态并返回更新后的状态。
3. 条件路由：通过条件边实现动态路由，根据中间结果决定下一步流程。
4. 图构建：StateGraph 类用于定义节点、边和入口点，支持复杂的工作流编排。
5. 执行流程：compile() 方法编译图，invoke() 方法执行工作流。

这两个示例展示了不同框架的设计哲学：CrewAI 更注重角色和任务的抽象，适合快速构建结构化团队；LangGraph 则提供了更细粒度的状态管理和流程控制，适合需要复杂条件逻辑的场景。开发者可以根据具体需求选择合适的框架。

结语

多智能体系统不是简单地将多个 Prompt 拼接在一起，而是一次关于如何组织智能的范式转移。 它涉及到协作范式、架构解耦、通信协议、记忆存储和故障归因等一系列复杂工程问题。

未来，随着 A2A 协议和 MCP（模型上下文协议）等标准的普及，AI Agent 将从一个个"信息孤岛"走向一个可插拔、可扩展的智能生态系统。通往可靠集体智能的道路依然充满挑战，但这无疑是下一代协作式 AI 系统的重要方向。

参考资料

• CrewAI：一个基于角色（Role）、任务（Task）和团队（Crew）设计的多智能体框架，提供优秀的开发者体验和结构化的任务流水线。GitHub: GitHub - crewAIInc/crewAI: Framework for orchestrating role-playing, autonomous AI agents. By fostering collaborative intelligence, CrewAI empowers agents to work together seamlessly, tackling complex tasks. · GitHub
• AutoGen (AG2)：由微软研究院开发的多智能体对话框架，支持复杂的对话模式和人类参与循环，适合研究和实验场景。GitHub: GitHub - microsoft/autogen: A programming framework for agentic AI · GitHub
• Multi-Agent Systems: A Survey：一篇关于多智能体系统的经典综述论文，涵盖了 MAS 的基本概念、协作机制和应用领域。DOI: 10.1016/j.artint.2020.103449

模式和人类参与循环，适合研究和实验场景。GitHub: GitHub - microsoft/autogen: A programming framework for agentic AI · GitHub

• Multi-Agent Systems: A Survey：一篇关于多智能体系统的经典综述论文，涵盖了MAS的基本概念、协作机制和应用领域。DOI: 10.1016/j.artint.2020.103449