一、什么是 Agent 协作与编排
在单 Agent 系统中,一个智能体通常独立完成任务,包括理解需求、规划步骤、调用工具和生成结果。
但在复杂任务中,单个 Agent 往往面临以下限制:
- 能力边界明显:一个 Agent 很难同时精通代码开发、数据分析、法律审查和业务决策。
- 上下文负担过重:任务越复杂,需要处理的信息越多,容易超出上下文窗口或降低推理质量。
- 执行过程难以并行:多个相互独立的子任务如果由一个 Agent 顺序执行,会浪费计算资源和时间。
- 缺少独立验证机制:同一个 Agent 既负责生成结果,又负责判断结果是否正确,容易产生自我验证偏差。
- 任务状态难以管理:长流程任务需要持续追踪进度、依赖关系和执行结果。
多 Agent 协作通过多个具有不同职责和能力的 Agent 共同完成任务。
其中需要区分两个核心概念:
| 概念 | 核心职责 | 关注重点 |
|---|---|---|
| Agent 协作模式 | 定义 Agent 之间如何合作 | 角色、通信、分工、信息共享 |
| Agent 编排策略 | 决定任务如何组织和执行 | 调度、依赖、并发、控制流、异常处理 |
可以将二者理解为:
- 协作模式解决谁与谁合作、如何合作。
- 编排策略解决任务由谁执行、何时执行、如何衔接。
二、Agent 协作的基本架构
一个典型的多 Agent 协作系统通常包含任务入口、编排器、多个专业 Agent、共享上下文和结果汇总模块。
1. 核心组件
| 组件 | 主要职责 |
|---|---|
| User Interface | 接收用户请求并展示结果 |
| Orchestrator | 负责任务拆解、调度和流程控制 |
| Planner Agent | 分析目标并制定执行计划 |
| Worker Agent | 执行具体任务 |
| Specialist Agent | 提供专业领域能力 |
| Reviewer Agent | 检查结果质量和正确性 |
| Shared Context | 保存共享任务信息和中间结果 |
| State Manager | 管理任务状态、执行状态和恢复信息 |
| Result Aggregator | 汇总多个 Agent 的执行结果 |
2. 基本架构图
flowchart TD
A["用户请求"] --> B["Orchestrator 编排器"]
B --> C["Planner Agent 任务规划"]
C --> D["任务分解与依赖分析"]
D --> E["Agent 调度器"]
E --> F["Research Agent"]
E --> G["Analysis Agent"]
E --> H["Execution Agent"]
F --> I["Shared Context"]
G --> I
H --> I
I --> J["Reviewer Agent"]
J --> K{"结果是否通过"}
K -->|"否"| E
K -->|"是"| L["Result Aggregator"]
L --> M["返回最终结果"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style J fill:#EAF3EC,stroke:#83A995,color:#315D49
style K fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style L fill:#EAF3EC,stroke:#83A995,color:#315D49
style M fill:#DCEFE5,stroke:#4F8B70,color:#24563F
实际系统中,Orchestrator 不一定是一个独立的 LLM Agent,也可以是由普通程序实现的工作流引擎。将确定性控制逻辑交给程序处理,通常更容易实现可靠的任务调度。
三、常见 Agent 协作模式
不同协作模式对应不同的任务结构。选择合适的模式,比单纯增加 Agent 数量更重要。
1. 顺序协作模式(Sequential)
顺序协作是最简单的多 Agent 模式。
多个 Agent 按照预先定义的顺序依次执行,后一个 Agent 使用前一个 Agent 的输出作为输入。
例如,生成一份技术方案:
- Research Agent:收集技术资料。
- Analysis Agent:分析技术选型。
- Writer Agent:编写技术方案。
- Reviewer Agent:检查内容和技术准确性。
flowchart TD
A["开始任务"] --> B["Research Agent"]
B --> C["Analysis Agent"]
C --> D["Writer Agent"]
D --> E["Reviewer Agent"]
E --> F["输出最终结果"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
优点:
- 流程简单,容易实现。
- Agent 职责明确。
- 中间结果容易追踪。
- 适合具有明确前后依赖关系的任务。
缺点:
- 整体执行时间受所有步骤累计耗时影响。
- 前一个 Agent 出错可能影响后续所有步骤。
- 不适合大量相互独立的任务。
适用场景:内容生产、代码审查流水线、文档处理、数据处理流程。
2. 并行协作模式(Parallel)
并行协作适合多个任务之间没有强依赖关系的场景。
Orchestrator 将一个复杂任务拆分为多个独立子任务,并发分配给不同 Agent。
例如,研究一个技术主题时,可以同时安排:
- Research Agent:搜索技术资料。
- Architecture Agent:分析系统架构。
- Security Agent:评估安全风险。
- Performance Agent:分析性能问题。
所有 Agent 完成后,再由汇总 Agent 合并结果。
flowchart TD
A["接收任务"] --> B["Orchestrator"]
B --> C["任务拆分"]
C --> D["Research Agent"]
C --> E["Architecture Agent"]
C --> F["Security Agent"]
C --> G["Performance Agent"]
D --> H["结果汇总"]
E --> H
F --> H
G --> H
H --> I["生成综合报告"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
优点:
- 能够缩短总体执行时间。
- 可以利用多个 Agent 的专业能力。
- 子任务之间具有较好的隔离性。
缺点:
- 需要处理并发调度和资源竞争。
- 多个 Agent 可能产生重复或矛盾的结果。
- 汇总阶段需要解决结果冲突。
- 并行数量过多会增加模型调用成本。
并行模式需要重点关注任务之间是否真正独立。如果多个 Agent 同时修改同一份共享数据,就可能出现写入冲突。
适用场景:多角度研究、并行数据分析、多模块代码审查、方案评估。
3. 层级协作模式(Hierarchical)
层级协作采用管理者与执行者的结构。
上层 Agent 负责规划和分配任务,下层 Agent 负责执行具体工作。复杂任务还可以继续向下分解,形成多层级结构。
例如:
- Manager Agent:负责整个项目。
- Backend Agent:负责后端开发。
- Frontend Agent:负责前端开发。
- Test Agent:负责测试。
- Security Agent:负责安全检查。
flowchart TD
A["Manager Agent"] --> B["Backend Agent"]
A --> C["Frontend Agent"]
A --> D["Test Agent"]
B --> E["API 开发"]
B --> F["数据库开发"]
C --> G["页面开发"]
C --> H["交互开发"]
D --> I["单元测试"]
D --> J["集成测试"]
E --> K["执行结果"]
F --> K
G --> K
H --> K
I --> K
J --> K
K --> L["Manager 汇总"]
style A fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style B fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#EAF3EC,stroke:#83A995,color:#315D49
style J fill:#EAF3EC,stroke:#83A995,color:#315D49
style K fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style L fill:#DCEFE5,stroke:#4F8B70,color:#24563F
优点:
- 适合复杂任务分解。
- 职责边界清晰。
- 支持多层级的任务管理。
- 便于统一控制执行进度。
缺点:
- 上层 Agent 可能成为性能瓶颈。
- 层级过深会增加通信和协调成本。
- 上层规划错误可能向下传递。
- 子 Agent 的自主性受到管理者约束。
适用场景:复杂项目执行、企业级自动化、软件研发流程、跨领域任务管理。
4. 对等协作模式(Peer-to-Peer)
对等协作中,Agent 之间没有固定的上下级关系。
每个 Agent 都可以根据自身能力与任务需要,与其他 Agent 交换信息、请求帮助或提供服务。
例如,一个技术决策系统中:
- Architecture Agent 提出架构方案。
- Security Agent 评估安全性。
- Performance Agent 评估性能。
- Cost Agent 评估资源成本。
各 Agent 相互讨论,最终形成共同决策。
flowchart TD
A["Architecture Agent"] <--> B["Security Agent"]
A <--> C["Performance Agent"]
A <--> D["Cost Agent"]
B <--> C
B <--> D
C <--> D
E["Consensus Agent"] --> A
E --> B
E --> C
E --> D
E --> F["形成最终决策"]
style A fill:#EAF3EC,stroke:#83A995,color:#315D49
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
优点:
- Agent 之间具有较高自主性。
- 能够从不同角度讨论复杂问题。
- 不依赖单一中心节点进行所有决策。
缺点:
- 通信关系复杂。
- 容易产生重复讨论。
- 可能出现意见分歧和循环协商。
- 需要额外的共识机制。
适用场景:多专家协商、复杂决策、开放式问题研究。
需要注意,对等协作不代表完全没有协调机制。实际系统仍然需要定义消息格式、协商规则、终止条件和冲突解决策略。
5. 竞争协作模式(Competitive)
竞争模式让多个 Agent 独立完成相同任务,再通过评分、评审或投票机制选出更好的结果。
例如,让三个 Agent 分别生成代码实现,再由 Reviewer Agent 评估代码质量。
flowchart TD
A["接收任务"] --> B["并发生成方案"]
B --> C["Agent A"]
B --> D["Agent B"]
B --> E["Agent C"]
C --> F["方案评估"]
D --> F
E --> F
F --> G["评分与排序"]
G --> H{"是否存在合格方案"}
H -->|"是"| I["选择最佳方案"]
H -->|"否"| J["重新生成或调整任务"]
I --> K["输出结果"]
J --> B
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style H fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style J fill:#F7EAE7,stroke:#C98D7C,color:#754438
style K fill:#DCEFE5,stroke:#4F8B70,color:#24563F
优点:
- 能够获得多个独立方案。
- 降低单次生成结果不理想的风险。
- 适合需要比较和择优的任务。
缺点:
- 多次调用模型会增加成本。
- 评估器可能存在偏差。
- 多个 Agent 可能产生相似结果,无法带来真正的多样性。
适用场景:代码生成、方案比较、内容创作、复杂问题求解。
6. 混合协作模式(Hybrid)
实际工程中,单一协作模式通常无法覆盖复杂业务需求。
混合模式将顺序、并行、层级、竞争等模式组合起来,根据任务结构选择不同的执行方式。
例如,一个自动化软件开发系统可以采用:
- Planner Agent 负责整体任务规划。
- 多个开发 Agent 并行开发不同模块。
- 集成 Agent 按顺序完成模块整合。
- 多个测试 Agent 并行执行测试。
- Reviewer Agent 进行最终审核。
flowchart TD
A["用户需求"] --> B["Planner Agent"]
B --> C["任务分解"]
C --> D["Backend Agent"]
C --> E["Frontend Agent"]
C --> F["Database Agent"]
D --> G["Integration Agent"]
E --> G
F --> G
G --> H["并行测试"]
H --> I["Unit Test Agent"]
H --> J["Security Test Agent"]
H --> K["Performance Test Agent"]
I --> L["Reviewer Agent"]
J --> L
K --> L
L --> M{"是否通过"}
M -->|"否"| B
M -->|"是"| N["交付结果"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style H fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style I fill:#EAF3EC,stroke:#83A995,color:#315D49
style J fill:#EAF3EC,stroke:#83A995,color:#315D49
style K fill:#EAF3EC,stroke:#83A995,color:#315D49
style L fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style M fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style N fill:#DCEFE5,stroke:#4F8B70,color:#24563F
混合模式具有更强的表达能力,但也会增加系统设计复杂度。应当优先保证每个阶段的边界清晰,再考虑组合更多协作模式。
四、Agent 编排的核心策略
协作模式定义了合作关系,而编排策略决定系统如何实际运行。
1. 静态编排(Static Orchestration)
静态编排是在系统设计阶段就确定任务执行顺序和调用关系。
例如:
flowchart TD
A["任务开始"] --> B["Agent A"]
B --> C["Agent B"]
C --> D["Agent C"]
D --> E["任务结束"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F
特点:
- 执行路径固定。
- 流程容易预测。
- 调试和测试相对简单。
- 适合稳定、标准化的业务。
缺点是灵活性较低。如果运行过程中出现新任务,通常需要预先设计相应分支。
2. 动态编排(Dynamic Orchestration)
动态编排根据当前任务状态、执行结果和 Agent 能力,实时决定下一步执行动作。
例如,Planner Agent 可以根据用户需求动态选择专业 Agent。
flowchart TD
A["接收任务"] --> B["分析任务类型"]
B --> C["选择执行 Agent"]
C --> D{"任务类型"}
D -->|"技术研究"| E["Research Agent"]
D -->|"数据分析"| F["Analysis Agent"]
D -->|"代码开发"| G["Coding Agent"]
E --> H["检查执行结果"]
F --> H
G --> H
H --> I{"是否需要继续执行"}
I -->|"是"| B
I -->|"否"| J["完成任务"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style J fill:#DCEFE5,stroke:#4F8B70,color:#24563F
特点:
- 可以根据上下文动态选择 Agent。
- 适应复杂和不确定的任务。
- 支持动态增加或调整执行步骤。
缺点是执行路径不固定,系统测试、成本估算和异常恢复更加困难。
3. 基于 DAG 的任务编排
对于复杂任务,使用有向无环图(Directed Acyclic Graph,DAG)描述任务依赖关系,是一种非常实用的工程方案。
DAG 中:
- 节点表示一个任务或 Agent 执行单元。
- 有向边表示任务之间的依赖关系。
- 无环约束保证任务依赖不存在循环。
- 没有未完成前置依赖的节点可以进入可执行状态。
例如,构建一个技术报告:
- 任务 A:收集技术资料。
- 任务 B:收集行业数据。
- 任务 C:分析技术架构,依赖 A。
- 任务 D:分析市场趋势,依赖 B。
- 任务 E:生成综合报告,依赖 C 和 D。
flowchart TD
A["收集技术资料"] --> C["分析技术架构"]
B["收集行业数据"] --> D["分析市场趋势"]
C --> E["生成综合报告"]
D --> E
E --> F["质量审核"]
style A fill:#EAF3EC,stroke:#83A995,color:#315D49
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style E fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
DAG 编排的执行过程:
flowchart TD
A["加载任务 DAG"] --> B["检查任务依赖"]
B --> C["查找可执行节点"]
C --> D{"是否存在可执行任务"}
D -->|"是"| E["提交任务调度器"]
E --> F["并发执行任务"]
F --> G["记录执行结果"]
G --> H["更新依赖状态"]
H --> C
D -->|"否"| I{"所有任务是否完成"}
I -->|"是"| J["汇总结果"]
I -->|"否"| K["检测阻塞或失败任务"]
K --> L["重试、跳过或终止"]
L --> C
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#EAF3EC,stroke:#83A995,color:#315D49
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style H fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style J fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style K fill:#F7EAE7,stroke:#C98D7C,color:#754438
style L fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
DAG 编排特别适合:
- 大规模数据处理。
- 多阶段文档分析。
- 软件开发和测试。
- 多 Agent 并行研究。
- 具有复杂依赖关系的自动化任务。
需要注意: DAG 适合描述有明确依赖关系的任务,但不适合直接表达任意循环和持续对话。对于需要循环推理的 Agent 系统,可以将循环封装在单个任务节点内部,或者使用支持状态转换的工作流引擎。
4. 基于事件的编排(Event-Driven Orchestration)
事件驱动编排不要求所有 Agent 严格按照固定顺序执行,而是根据事件触发后续任务。
例如:
- 任务完成事件触发结果汇总。
- 审核失败事件触发重新执行。
- 用户补充信息事件触发重新规划。
- 超时事件触发故障恢复。
flowchart TD
A["任务执行"] --> B["产生事件"]
B --> C["事件总线"]
C --> D["任务完成事件"]
C --> E["审核失败事件"]
C --> F["执行超时事件"]
D --> G["结果汇总"]
E --> H["重新执行任务"]
F --> I["超时恢复处理"]
H --> J["更新任务状态"]
I --> J
J --> K["继续编排"]
style A fill:#EAF3EC,stroke:#83A995,color:#315D49
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#F7EAE7,stroke:#C98D7C,color:#754438
style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#EAF3EC,stroke:#83A995,color:#315D49
style J fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style K fill:#DCEFE5,stroke:#4F8B70,color:#24563F
事件驱动模式适合异步任务、长时间运行任务以及多个独立服务之间的协作。
但它需要可靠的事件传递机制,并处理重复事件、事件乱序、消息丢失和消费者故障等问题。
5. 基于黑板的协作编排(Blackboard)
黑板模式通过一个共享的信息空间,让多个 Agent 读取和更新任务状态。
每个 Agent 不必直接与所有其他 Agent 通信,而是通过共享黑板交换信息。
例如:
- Research Agent 写入研究资料。
- Analysis Agent 读取资料并写入分析结论。
- Reviewer Agent 读取分析结论并写入审查意见。
- Orchestrator 根据黑板中的状态决定下一步执行动作。
flowchart TD
A["Research Agent"] --> B["Shared Blackboard"]
C["Analysis Agent"] <--> B
D["Reviewer Agent"] <--> B
E["Orchestrator"] <--> B
F["Execution Agent"] <--> B
B --> G["共享任务状态与中间结果"]
style A fill:#EAF3EC,stroke:#83A995,color:#315D49
style B fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
优点:
- 降低 Agent 之间的直接通信耦合。
- 便于保存中间结果。
- 支持不同 Agent 在不同时间执行。
- 方便系统恢复和状态追踪。
缺点:
- 共享状态可能产生并发写入冲突。
- 黑板可能成为性能瓶颈。
- 需要设计数据版本、权限和一致性机制。
五、Agent 任务拆解与调度策略
编排的核心不是简单地调用多个 Agent,而是将复杂目标转换成可执行、可追踪、可恢复的任务。
1. 任务拆解策略
一个好的任务拆解结果应当满足:
- 每个子任务有明确目标。
- 每个子任务有可验证的输出。
- 每个子任务有清晰的输入。
- 每个子任务有明确的执行责任。
- 子任务之间的依赖关系可以被描述。
例如,用户要求开发一个博客系统。
Planner Agent 可以拆解为:
| 任务 ID | 子任务 | 执行 Agent | 依赖 |
|---|---|---|---|
| T1 | 需求分析 | Planning Agent | 无 |
| T2 | 数据库设计 | Backend Agent | T1 |
| T3 | API 设计 | Backend Agent | T1 |
| T4 | 前端页面设计 | Frontend Agent | T1 |
| T5 | 后端开发 | Backend Agent | T2、T3 |
| T6 | 前端开发 | Frontend Agent | T4、T3 |
| T7 | 集成测试 | Test Agent | T5、T6 |
| T8 | 安全审查 | Security Agent | T5、T6 |
| T9 | 交付审核 | Reviewer Agent | T7、T8 |
拆解完成后,Orchestrator 根据依赖关系组织任务执行。
2. 基于能力的 Agent 路由
系统通常拥有多个 Agent,但不同 Agent 的能力和成本并不相同。
因此,需要建立 Agent 能力注册表。
例如:
| Agent | 能力 | 适用任务 |
|---|---|---|
| Research Agent | 信息检索、资料整理 | 技术调研 |
| Coding Agent | 代码生成、代码修改 | 软件开发 |
| SQL Agent | SQL 编写、数据库分析 | 数据查询 |
| Security Agent | 漏洞分析、安全审查 | 安全任务 |
| Reviewer Agent | 质量评估、结果验证 | 结果审核 |
路由过程:
flowchart TD
A["接收子任务"] --> B["提取任务能力需求"]
B --> C["查询 Agent 能力注册表"]
C --> D["过滤不满足能力的 Agent"]
D --> E["评估候选 Agent"]
E --> F["综合能力、成本、负载和延迟"]
F --> G{"是否存在可用 Agent"}
G -->|"是"| H["选择最优 Agent"]
G -->|"否"| I["降级、排队或返回失败"]
H --> J["提交任务执行"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style E fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style I fill:#F7EAE7,stroke:#C98D7C,color:#754438
style J fill:#DCEFE5,stroke:#4F8B70,color:#24563F
Agent 选择不应只看能力匹配,还应考虑:
- 模型推理能力。
- 工具访问权限。
- 当前并发负载。
- 平均响应时间。
- 调用成本。
- 历史任务成功率。
- 数据安全等级。
对于涉及权限或安全边界的任务,权限过滤应当先于成本和性能评分。
3. 任务优先级调度
当系统同时存在大量任务时,需要确定执行顺序。
常见调度策略包括:
| 策略 | 调度依据 | 适用场景 |
|---|---|---|
| FIFO | 先提交先执行 | 简单任务队列 |
| Priority | 优先级高的任务先执行 | 重要任务优先 |
| Round Robin | 轮流分配执行资源 | 多租户系统 |
| Shortest Job First | 预计耗时较短的任务优先 | 降低平均等待时间 |
| Deadline | 最接近截止时间的任务优先 | 有时限要求的任务 |
| Weighted Fair Queueing | 按权重分配资源 | 多业务资源隔离 |
生产系统通常不会只采用一种策略,而是组合优先级、截止时间、租户配额和资源限制。
4. 并发控制与资源管理
并行执行可以提升效率,但并发数量并不是越多越好。
需要控制:
- 同时运行的 Agent 数量。
- 模型 API 并发请求数。
- 工具调用并发数。
- 单任务最大 Token 消耗。
- 每个用户的资源配额。
- 共享数据的并发访问。
常见控制方式:
- Semaphore:限制同时执行的任务数量。
- Rate Limiter:控制请求速率。
- Queue:缓冲待执行任务。
- Worker Pool:复用执行工作线程或进程。
- Timeout:限制单个任务的执行时间。
例如,设置最大并发数为 5,即使系统收到 100 个任务,也只允许其中 5 个同时执行,其余任务进入等待队列。
六、Agent 编排中的状态管理
多 Agent 系统往往需要执行多个步骤,甚至持续运行数分钟或数小时。只依靠内存中的变量保存状态,难以支持故障恢复和长期任务管理。
1. 任务状态设计
可以为任务定义以下状态:
| 状态 | 含义 |
|---|---|
| PENDING | 等待执行 |
| READY | 满足执行条件 |
| RUNNING | 正在执行 |
| WAITING | 等待其他任务或外部事件 |
| SUCCEEDED | 执行成功 |
| FAILED | 执行失败 |
| RETRYING | 正在重试 |
| CANCELLED | 已取消 |
| SKIPPED | 已跳过 |
任务状态转换: