跳到主要内容

多 Agent 系统

问题​

什么是多 Agent 系统？多个 Agent 如何协作？

答案​

多 Agent 系统是由多个专业化 Agent 协作完成复杂任务的架构。每个 Agent 有特定的角色、工具和职责。

一、为什么需要多 Agent​

问题单 Agent 局限多 Agent 优势
任务复杂一个 Prompt 难以覆盖所有领域专业分工
工具太多>20 个工具选择准确率下降每个 Agent 只需少量工具
质量保障自评可能盲区Agent 间交叉检查
流程明确黑盒决策难调试角色清晰、流程可追踪

二、协作模式​

1. 主管模式（Supervisor）​

  • 一个中心 Agent 协调分配任务
  • 适合有明确管理层级的场景

2. 对等协作模式（Peer）​

  • Agent 之间平等通信
  • 适合需要多角度讨论/辩论的场景

3. 流水线模式（Pipeline）​

  • 固定流程，前一阶段输出是后一阶段输入
  • 适合 DevOps、内容创作等流水线场景

三、LangGraph 多 Agent 实现​

from langgraph.graph import StateGraph, MessagesState, START, END

# 定义各 Agent 节点
def researcher(state: MessagesState):
    """研究 Agent：搜索收集信息"""
    response = research_llm.invoke(state["messages"])
    return {"messages": [response]}

def writer(state: MessagesState):
    """写作 Agent：基于研究信息撰写"""
    response = writer_llm.invoke(state["messages"])
    return {"messages": [response]}

def reviewer(state: MessagesState):
    """评审 Agent：检查质量"""
    response = reviewer_llm.invoke(state["messages"])
    return {"messages": [response]}

# 路由函数：根据评审结果决定下一步
def route_after_review(state: MessagesState):
    last_message = state["messages"][-1].content
    if "APPROVED" in last_message:
        return END
    return "writer"  # 返回修改

# 构建图
graph = StateGraph(MessagesState)
graph.add_node("researcher", researcher)
graph.add_node("writer", writer)
graph.add_node("reviewer", reviewer)

graph.add_edge(START, "researcher")
graph.add_edge("researcher", "writer")
graph.add_edge("writer", "reviewer")
graph.add_conditional_edges("reviewer", route_after_review)

app = graph.compile()

四、通信机制​

方式说明优点缺点
共享状态所有 Agent 读写同一个 State简单直接可能冲突
消息传递Agent 间发送消息解耦清晰消息格式要统一
黑板模式共享黑板，Agent 各取所需灵活需要协调

常见面试问题​

Q1: 多 Agent 的主要挑战是什么？​

答案：

  1. 通信开销：Agent 间消息传递增加 Token 成本和延迟
  2. 协调复杂：死循环、互相等待、任务分配不均
  3. 错误传播：一个 Agent 的错误可能影响全局
  4. 调试困难：多个 Agent 的决策链路难以追踪

Q2: 什么时候用多 Agent 而不是单 Agent？​

答案：

  • 用单 Agent：任务相对简单、工具 <10 个、不需要多角色
  • 用多 Agent：需要专业分工、工具 >20 个、需要交叉验证、流程固定（如 DevOps）

相关链接​