一、什么是多智能体系统
Multi-Agent System(多智能体系统,简称 MAS)是由多个 Agent 组成的协作系统。每个 Agent 可以拥有独立的角色定义、任务目标、上下文、工具权限和决策能力,并通过通信与协调机制共同完成复杂任务。
传统单 Agent 系统通常由一个 Agent 负责理解任务、制定计划、调用工具和生成结果。
当任务复杂度提高时,单 Agent 容易面临以下问题:
- 上下文过长,难以管理大量任务信息。
- 一个 Agent 同时承担多个角色,容易产生职责混乱。
- 多个任务无法充分并行执行。
- 缺少独立审查机制,容易出现自我评估偏差。
- 单个 Agent 的工具和专业能力存在边界。
- 长任务执行过程复杂,状态管理困难。
多智能体系统通过职责拆分和协作机制,将复杂任务分配给多个专门的 Agent。
例如,开发一个完整的软件系统,可以设置:
| Agent | 职责 |
|---|---|
| Coordinator Agent | 负责整体任务协调 |
| Planner Agent | 负责需求分析和任务规划 |
| Architect Agent | 负责系统架构设计 |
| Developer Agent | 负责代码实现 |
| Tester Agent | 负责测试和质量验证 |
| Reviewer Agent | 负责代码审查 |
| Documentation Agent | 负责技术文档编写 |
每个 Agent 只需要重点处理自己负责的任务,通过协作完成整个项目。
1.1 Agent 与 Multi-Agent 的区别
| 维度 | Single-Agent | Multi-Agent |
|---|---|---|
| 执行主体 | 一个 Agent | 多个 Agent |
| 任务分配 | 一个 Agent 自行处理 | 由协调机制分配 |
| 专业分工 | 依靠单 Agent 的上下文和提示词 | 不同 Agent 承担不同角色 |
| 并行能力 | 有限 | 支持任务并行 |
| 上下文管理 | 集中在一个执行主体 | 可以按角色隔离 |
| 协作方式 | 内部推理与工具调用 | Agent 间通信与协作 |
| 质量控制 | 主要依赖自身验证 | 可以引入独立审查者 |
| 系统复杂度 | 相对较低 | 较高 |
| 运行成本 | 通常较低 | 通常较高 |
需要注意:多智能体不意味着一定比单智能体更强。
如果任务本身简单,多个 Agent 之间的通信、协调和结果整合可能带来额外成本。
多智能体真正适合的是具有明确分工、复杂依赖、并行空间或独立审查需求的任务。
1.2 Multi-Agent 的核心特征
1. 自主性(Autonomy)
每个 Agent 可以根据自身目标和上下文进行独立决策。
2. 专业分工(Specialization)
不同 Agent 可以承担不同领域的任务,例如研究、编程、测试和审查。
3. 协作性(Collaboration)
Agent 通过消息、共享状态或任务交接完成协作。
4. 并行性(Parallelism)
相互独立的子任务可以同时执行,提高整体效率。
5. 分布式决策(Distributed Decision-Making)
系统可以由多个 Agent 分别完成局部决策,再通过协调机制形成整体方案。
6. 可扩展性(Scalability)
可以根据业务需要增加新的 Agent、工具和专业能力。
二、多智能体系统的整体架构
多智能体系统不是简单地创建多个 LLM 实例,而是需要建立一套完整的协作基础设施。
2.1 核心架构
典型的 Multi-Agent 系统可以分为六个层次:
| 层次 | 核心模块 | 主要职责 |
|---|---|---|
| 任务入口层 | Task Interface | 接收用户任务和约束 |
| 协调控制层 | Coordinator、Orchestrator | 任务分解、分配、调度和终止 |
| Agent 执行层 | Specialized Agents | 独立完成专业任务 |
| 通信协作层 | Message Bus、Protocol | Agent 间消息传递 |
| 共享状态层 | Shared State、Memory | 管理任务状态和共享信息 |
| 基础设施层 | LLM、Tools、Storage | 提供模型、工具和持久化能力 |
整体架构:
flowchart TB
A["用户任务"] --> B["任务入口层"]
B --> C["协调控制层"]
C --> D["Agent 执行层"]
D --> E["通信协作层"]
E --> D
D --> F["共享状态与记忆层"]
F --> D
D --> G["基础设施层"]
G --> D
C --> H["结果汇总与质量控制"]
H --> I["最终结果"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style E fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style G fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#DCEFE5,stroke:#4F8B70,color:#24563F
2.2 Coordinator:协调器
Coordinator 是多智能体系统的核心控制角色,负责管理 Agent 之间的任务协作。
主要职责:
- 接收和理解用户任务。
- 将复杂任务拆分为多个子任务。
- 选择适合的 Agent。
- 分配执行顺序和依赖关系。
- 管理 Agent 的执行状态。
- 收集和整合执行结果。
- 处理失败、超时和重试。
- 判断任务是否完成。
Coordinator 可以由 LLM 驱动,也可以由传统程序控制。
两种实现方式:
LLM 驱动协调器
通过模型理解任务、选择 Agent 和动态调整执行计划。
优势是灵活,适合复杂和不确定的任务。
缺点是决策结果具有一定随机性,执行成本也相对较高。
规则驱动协调器
通过预定义流程、状态机和条件判断控制 Agent。
优势是可预测、易调试、执行成本低。
缺点是灵活性有限,需要提前设计任务流程。
生产环境通常采用混合架构:
- LLM 负责复杂任务理解和动态决策。
- 程序负责状态管理、权限控制和流程执行。
- 规则负责关键条件判断和安全约束。
2.3 Specialized Agent:专业 Agent
每个 Agent 应该有明确的职责边界。
一个 Agent 通常包含以下组成部分:
| 组成 | 作用 |
|---|---|
| Role | 定义 Agent 的身份和职责 |
| Goal | 定义需要完成的目标 |
| System Prompt | 约束行为和输出要求 |
| LLM | 提供推理和生成能力 |
| Tools | 提供外部操作能力 |
| Memory | 保存当前或历史上下文 |
| State | 维护当前任务状态 |
| Output Schema | 规范输出格式 |
例如,一个 Research Agent:
角色:
你是一名技术研究 Agent。
目标:
收集指定技术领域的可靠资料。
职责:
1. 搜索相关技术文档。
2. 比较不同技术方案。
3. 核验重要事实。
4. 整理关键结论。
5. 提供来源和证据。
约束:
1. 不得编造来源。
2. 不确定的信息必须明确标记。
3. 不负责最终报告的整体决策。
4. 输出必须符合约定的数据结构。
Agent 的职责越明确,协作时越容易控制任务边界。
三、多智能体的角色设计与组织模式
多智能体系统的设计首先需要明确:Agent 如何组织、谁负责协调、任务如何分配。
3.1 Manager-Worker 模式
Manager-Worker 是最常见的多智能体组织方式。
一个 Manager 负责任务规划和分配,多个 Worker 分别执行子任务。
例如,技术研究任务:
- Manager:拆分研究主题。
- Researcher A:研究技术原理。
- Researcher B:研究架构设计。
- Researcher C:研究工程实践。
- Reviewer:审查研究结果。
执行流程:
flowchart TD
A["用户研究任务"] --> B["Manager Agent"]
B --> C["任务拆分"]
C --> D["Researcher A"]
C --> E["Researcher B"]
C --> F["Researcher C"]
D --> G["结果汇总"]
E --> G
F --> G
G --> H["Reviewer Agent"]
H --> I["最终研究报告"]
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:#EAE8FA,stroke:#A49BD5,color:#51477D
style E fill:#EAE8FA,stroke:#A49BD5,color:#51477D
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
优点:
- 组织结构清晰。
- 任务分配集中。
- 容易监控整体进度。
- 适合复杂任务拆分和并行处理。
缺点:
- Manager 容易成为性能瓶颈。
- Manager 决策错误可能影响所有 Worker。
- Worker 之间通常缺少直接协作能力。
适用场景:研究分析、内容生成、软件开发、数据处理。
3.2 Hierarchical:层级式协作
层级式结构通常具有多个管理层次。
例如:
- 总协调 Agent 负责整体目标。
- 技术负责人 Agent 负责技术任务。
- 产品负责人 Agent 负责需求任务。
- 具体执行 Agent 负责实际工作。
flowchart TD
A["Master Coordinator"] --> B["技术负责人 Agent"]
A --> C["产品负责人 Agent"]
A --> D["质量负责人 Agent"]
B --> E["开发 Agent"]
B --> F["架构 Agent"]
C --> G["需求分析 Agent"]
C --> H["文档 Agent"]
D --> I["测试 Agent"]
D --> J["审查 Agent"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
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:#EAE8FA,stroke:#A49BD5,color:#51477D
style G fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style H fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style I fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style J fill:#EAE8FA,stroke:#A49BD5,color:#51477D
优点:
- 适合大型复杂任务。
- 能够分层管理职责。
- 支持不同领域独立规划。
- 降低单一协调器的管理负担。
缺点:
- 层级较多,通信成本较高。
- 上下层之间可能出现信息损失。
- 故障定位和状态管理更复杂。
3.3 Peer-to-Peer:对等协作
Peer-to-Peer 模式中,Agent 之间没有固定的中心管理者,可以直接交换信息和协商。
例如,多个研究 Agent 分别分析一个技术方案:
- Agent A 负责性能。
- Agent B 负责安全。
- Agent C 负责成本。
- Agent D 负责兼容性。
它们可以相互讨论,交换证据,形成共同结论。
flowchart TD
A["Agent A 性能分析"] <--> B["Agent B 安全分析"]
B <--> C["Agent C 成本分析"]
C <--> D["Agent D 兼容性分析"]
D <--> A
A <--> C
B <--> D
A --> E["共同决策"]
B --> E
C --> E
D --> E
style A fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style B fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F
优点:
- 没有单一协调器瓶颈。
- Agent 可以直接交换专业信息。
- 适合需要多方协商的问题。
缺点:
- 消息数量可能快速增长。
- 容易产生意见冲突。
- 需要设计共识和终止机制。
- 难以统一控制执行状态。
如果有 N 个 Agent,采用完全连接的通信方式,潜在的双向连接数量为:
因此,Agent 数量增加时,通信和协调成本可能迅速上升。
3.4 Pipeline:流水线协作
Pipeline 模式将复杂任务拆分为一系列有先后依赖关系的处理阶段。
每个 Agent 负责其中一个阶段,前一个 Agent 的输出成为下一个 Agent 的输入。
例如内容生产:
- Research Agent 收集资料。
- Analyst Agent 分析资料。
- Writer Agent 撰写文章。
- Reviewer Agent 审核内容。
- Editor Agent 完成修改。
flowchart LR
A["Research Agent"] --> B["Analyst Agent"]
B --> C["Writer Agent"]
C --> D["Reviewer Agent"]
D --> E["Editor Agent"]
E --> F["最终文章"]
style A fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style B fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style C fill:#EAF3EC,stroke:#83A995,color:#315D49
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
优点:
- 任务阶段清晰。
- 容易追踪执行状态。
- 每个阶段可以独立测试。
- 适合标准化处理流程。
缺点:
- 前后阶段存在依赖。
- 上游错误可能向下游传播。
- 某个阶段阻塞会影响整个流水线。
3.5 Debate:辩论协作
Debate 模式让多个 Agent 从不同立场分析同一个问题,再通过交叉审查和仲裁形成结论。
例如技术选型:
- Agent A 支持微服务架构。
- Agent B 支持模块化单体架构。
- Agent C 负责审查双方证据。
- Judge Agent 负责最终决策。
flowchart TD
A["输入技术决策问题"] --> B["正方 Agent"]
A --> C["反方 Agent"]
B --> D["交叉质询"]
C --> D
D --> E["Reviewer Agent"]
E --> F["Judge Agent"]
F --> G["最终决策"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#F7EAE7,stroke:#C98D7C,color:#754438
style D fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style F fill:#EAF3EC,stroke:#83A995,color:#315D49
style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F
优点:
- 可以发现单一视角容易遗漏的问题。
- 支持多方案比较。
- 适合复杂决策和风险评估。
缺点:
- 多轮讨论成本较高。
- Agent 可能只是重复表达不同观点。
- 多数意见不一定代表正确结论。
- Judge 仍然可能出现判断偏差。
因此,辩论机制应该要求各 Agent 提供证据、约束条件和可验证的论据,而不是只比较表达能力。
3.6 混合协作模式
实际生产系统通常不会只采用一种固定拓扑。
例如,一个软件研发系统可以采用:
- 顶层 Manager-Worker 负责整体任务分配。
- 开发团队内部采用 Pipeline。
- 技术方案采用 Debate。
- 测试与开发采用并行协作。
- Reviewer 独立审查最终结果。
混合模式能够根据任务特征选择合适的协作结构,但也需要更复杂的协调和状态管理。
四、多智能体的任务分解与调度
任务分解是多智能体系统最重要的基础能力之一。
如果任务拆分不合理,即使每个 Agent 都具备较强能力,也可能无法获得良好的整体结果。
4.1 任务分解
Coordinator 首先需要理解用户目标,再将其转换为多个可执行的子任务。
一个合格的子任务应尽可能满足:
- 目标明确。
- 输入信息完整。
- 输出结果可验证。
- 执行职责清晰。
- 依赖关系明确。
- 具有合理的工作量。
例如,用户要求:
设计一个在线商城系统,包括:
1. 用户管理。
2. 商品管理。
3. 订单管理。
4. 支付系统。
5. 数据库设计。
6. 系统测试。
可以拆分为:
| 子任务 | 负责 Agent | 依赖关系 |
|---|---|---|
| 用户管理设计 | User Agent | 基础需求 |
| 商品管理设计 | Product Agent | 基础需求 |
| 订单管理设计 | Order Agent | 用户、商品设计 |
| 支付系统设计 | Payment Agent | 订单设计 |
| 数据库设计 | Database Agent | 领域模型 |
| 系统测试 | Tester Agent | 各模块接口 |
任务拆分不能只按照数量平均分配,还需要考虑依赖关系和工作量。
4.2 DAG 任务依赖
复杂任务通常存在依赖关系,可以使用有向无环图(DAG)表示。
例如:
flowchart TD
A["需求分析"] --> B["用户模块设计"]
A --> C["商品模块设计"]
B --> D["订单模块设计"]
C --> D
D --> E["支付模块设计"]
B --> F["数据库设计"]
C --> F
D --> F
E --> G["系统集成"]
F --> G
G --> H["系统测试"]
H --> I["最终交付"]
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:#E0F0FE,stroke:#93BCE8,color:#1E4976
style E fill:#EAE8FA,stroke:#A49BD5,color:#51477D
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
DAG 中:
- 节点表示任务。
- 有向边表示任务依赖。
- 没有依赖关系的任务可以并行执行。
- 所有前置任务完成后,后续任务才能启动。
使用 DAG 可以进行拓扑排序,得到合法执行顺序。
4.3 并行任务调度
如果多个任务互相独立,可以同时分配给不同 Agent。
例如:
flowchart TD
A["任务规划"] --> B["任务 A"]
A --> C["任务 B"]
A --> D["任务 C"]
B --> E["等待结果汇总"]
C --> E
D --> E
E --> F["执行下一阶段"]
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:#F7F4E8,stroke:#C7B77A,color:#675A2D
style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F
并行执行能够缩短总耗时,但并不意味着 Agent 越多越好。
需要考虑:
- 可并行任务数量。
- Agent 启动和调度成本。
- LLM API 并发限制。
- 工具和数据库连接限制。
- 结果汇总成本。
- 共享资源竞争。
4.4 任务调度策略
常见调度方式:
| 调度策略 | 原理 | 适用场景 |
|---|---|---|
| Round Robin | 轮询分配任务 | Agent 能力相近 |
| Least Loaded | 分配给负载最低的 Agent | 工作量不均衡 |
| Capability Based | 根据能力匹配 Agent | 专业角色明确 |
| Priority Based | 优先处理高优先级任务 | 任务有优先级 |
| Dependency Based | 根据依赖关系调度 | DAG 工作流 |
| Dynamic Scheduling | 根据执行反馈动态调整 | 不确定性较高的任务 |
生产系统通常需要综合任务能力、优先级、负载、资源预算和依赖关系进行调度。
五、多智能体通信机制
多个 Agent 需要通过通信交换任务、信息和执行结果。
通信机制决定了多智能体系统的协作效率、可扩展性和可靠性。
5.1 通信的基本类型
1. Direct Message:直接消息
一个 Agent 将消息发送给指定 Agent。
适合明确的任务交接和定向协作。
2. Broadcast:广播消息
一个 Agent 将消息发送给多个 Agent。
适合发布公共任务信息、状态变化和共享约束。
3. Publish-Subscribe:发布订阅
Agent 发布事件,订阅相关事件的 Agent 接收消息。
适合异步解耦和事件驱动架构。
4. Shared State:共享状态
多个 Agent 通过统一状态存储交换任务信息。
适合需要共享任务进度、结果和协作上下文的系统。
5.2 消息传递架构
flowchart TD
A["Agent A"] --> B["Message Bus"]
C["Agent B"] --> B
D["Agent C"] --> B
B --> E["Agent Router"]
E --> F["Agent D"]
E --> G["Agent E"]
E --> H["Agent F"]
F --> I["共享状态存储"]
G --> I
H --> I
style A fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style C fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style D fill:#EAF3EC,stroke:#83A995,color:#315D49
style B fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style F fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style G fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style H fill:#EAF3EC,stroke:#83A995,color:#315D49
style I fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
5.3 Agent 消息结构
生产环境不应该只传递一段普通文本,而应使用结构化消息。
例如:
{
"message_id": "msg_001",
"task_id": "task_001",
"sender": "planner_agent",
"receiver": "developer_agent",
"message_type": "task_assignment",
"correlation_id": "corr_001",
"payload": {
"task": "实现用户查询接口",
"requirements": [
"支持用户 ID 查询",
"处理用户不存在情况",
"返回统一 JSON 格式"
]
},
"priority": "high",
"created_at": "2026-11-20T10:00:00Z",
"deadline": "2026-11-20T10:10:00Z"
}
重要字段:
| 字段 | 作用 |
|---|---|
| message_id | 消息唯一标识 |
| task_id | 所属任务 |
| sender | 消息发送者 |
| receiver | 消息接收者 |
| message_type | 消息类型 |
| correlation_id | 关联请求和响应 |
| payload | 实际消息内容 |
| priority | 消息优先级 |
| created_at | 创建时间 |
| deadline | 任务截止时间 |
还可以增加:
trace_id:跨 Agent 链路追踪。schema_version:消息结构版本。reply_to:回复关联消息。idempotency_key:幂等处理标识。metadata:模型、工具和执行环境信息。
5.4 通信协议与消息语义
多 Agent 通信不仅需要解决消息如何发送,还需要明确消息代表什么操作。
常见消息类型:
| 类型 | 含义 |
|---|---|
| task_assignment | 分配任务 |
| task_acceptance | 接受任务 |
| task_rejection | 拒绝任务 |
| task_progress | 汇报进度 |
| task_result | 返回执行结果 |
| clarification | 请求补充信息 |
| error | 报告执行错误 |
| cancellation | 请求取消任务 |
| handoff | 交接控制权 |
| approval_request | 请求审批 |
还需要定义消息状态:
- 已创建。
- 已发送。
- 已接收。
- 已确认。
- 已处理。
- 已失败。
- 已过期。
消息被成功发送,并不意味着接收方已经完成处理。
因此,需要区分消息投递状态和任务执行状态。
六、多智能体的共享状态与记忆管理
多个 Agent 通常需要共享部分信息,但并不意味着所有 Agent 应该访问完全相同的上下文。
合理的状态和记忆设计,是避免信息混乱和上下文污染的关键。
6.1 共享状态与私有状态
多智能体系统通常同时存在两种状态。
私有状态(Private State)
由单个 Agent 独立维护。
例如:
- 当前 Agent 的推理上下文。
- 当前 Agent 的执行计划。
- Agent 的临时观察结果。
- 当前 Agent 的工具调用状态。
共享状态(Shared State)
多个 Agent 可以读取或按照权限修改。
例如:
- 整体任务目标。
- 子任务分配情况。
- 公共需求和约束。
- 已完成任务结果。
- 共享领域模型。
- 全局执行进度。
| 数据类型 | 推荐存储方式 | 访问范围 |
|---|---|---|
| Agent 私有上下文 | Agent Context | 单个 Agent |
| 当前任务状态 | Task State Store | 相关 Agent |
| 公共执行结果 | Shared State | 授权 Agent |
| 历史经验 | Long-term Memory | 按需检索 |
| 消息记录 | Message Store | 通信系统 |
| 执行轨迹 | Trace Store | 监控与审计 |
6.2 共享状态的更新冲突
假设两个 Agent 同时修改订单状态:
- Agent A 将订单标记为已支付。
- Agent B 将订单标记为已取消。
如果没有并发控制,可能产生状态覆盖和业务不一致。
常见解决方案:
1. 单写者原则
一个共享状态只允许指定的 Agent 或服务负责写入。
2. 乐观锁
通过版本号检测并发修改。
3. 事务控制
将相关更新放入事务,保证原子性。
4. 事件溯源
保存状态变化事件,根据事件重建当前状态。
5. 状态机约束
只允许合法的状态转换。
例如订单状态:
stateDiagram-v2
[*] --> Pending
Pending --> Paid
Pending --> Cancelled
Paid --> Shipped
Shipped --> Completed
Paid --> Refunding
Refunding --> Refunded
Cancelled --> [*]
Completed --> [*]
Refunded --> [*]
该图展示订单状态之间的合法转换关系。对于涉及资金和库存的状态更新,还需要使用数据库事务、幂等键和业务补偿机制。
6.3 多 Agent Memory
多智能体系统可以采用分层记忆结构:
| 记忆层 | 内容 | 主要用途 |
|---|---|---|
| Agent Short-term Memory | 当前 Agent 的临时上下文 | 单 Agent 执行 |
| Task Memory | 当前任务的共享信息 | 多 Agent 协作 |
| Episodic Memory | 历史任务执行经历 | 复用历史经验 |
| Semantic Memory | 稳定知识和事实 | 专业知识检索 |
| Procedural Memory | 流程和执行经验 | 复用任务方法 |
记忆管理需要明确:
- 谁可以读取。
- 谁可以写入。
- 哪些信息允许共享。
- 信息是否经过验证。
- 信息的有效期。
- 冲突如何解决。
- 敏感数据如何隔离。
特别需要避免将一个 Agent 的未经验证结论直接当成全局事实传播给其他 Agent。
七、多智能体的协作控制与任务交接
Agent 之间的协作不能仅依赖自然语言对话,还需要明确控制权和任务状态。
7.1 Handoff:任务交接
Handoff 是指一个 Agent 将当前任务或控制权交给另一个 Agent。
例如:
- Planner 将代码实现任务交给 Developer。
- Developer 将代码审查任务交给 Reviewer。
- Reviewer 发现问题后将修改任务交回 Developer。
一个完整的 Handoff 应包含:
- 当前任务目标。
- 已完成工作。
- 当前执行状态。
- 相关上下文。
- 剩余任务。
- 交接原因。
- 接收方预期动作。
交接流程:
flowchart TD
A["Agent A 执行任务"] --> B["判断是否需要交接"]
B --> C{"是否需要其他 Agent"}
C -->|"否"| D["继续当前任务"]
C -->|"是"| E["构建交接上下文"]
E --> F["发送 Handoff 消息"]
F --> G["Agent B 接收任务"]
G --> H["确认任务与上下文"]
H --> I{"是否接受任务"}
I -->|"是"| J["Agent B 开始执行"]
I -->|"否"| K["返回拒绝原因"]
K --> L["协调器重新分配"]
style A fill:#EAF3EC,stroke:#83A995,color:#315D49
style B fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style C fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style D fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style F fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style G fill:#EAE8FA,stroke:#A49BD5,color:#51477D
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
7.2 Agent 协作状态机
一个任务在多智能体系统中可能经历多个状态。
| 状态 | 含义 |
|---|---|
| CREATED | 任务已创建 |
| ASSIGNED | 已分配 Agent |
| ACCEPTED | Agent 已接受 |
| RUNNING | 正在执行 |
| WAITING | 等待依赖或外部事件 |
| REVIEWING | 正在审查 |
| COMPLETED | 执行完成 |
| FAILED | 执行失败 |
| CANCELLED | 已取消 |
| EXPIRED | 已过期 |
任务状态应由协调器或任务管理服务统一维护,避免多个 Agent 随意修改同一任务的生命周期。
7.3 超时、取消与重试
生产环境中,Agent 可能出现:
- 模型调用超时。
- 工具调用失败。
- Agent 无响应。
- 输出格式错误。
- 执行时间超过截止时间。
- 任务依赖长期未完成。
需要设计统一的执行控制:
flowchart TD
A["任务分配"] --> B["Agent 开始执行"]
B --> C["监控执行状态"]
C --> D{"是否按时完成"}
D -->|"是"| E["接收任务结果"]
D -->|"否"| F["触发超时处理"]
F --> G{"是否允许重试"}
G -->|"是"| H["检查幂等性与重试预算"]
H --> I{"是否允许再次执行"}
I -->|"是"| J["重新执行或重新分配"]
I -->|"否"| K["任务失败"]
G -->|"否"| K
E --> L["结果校验"]
J --> C
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style F fill:#F7EAE7,stroke:#C98D7C,color:#754438
style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style H fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style I fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style J fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style K fill:#F7EAE7,stroke:#C98D7C,color:#754438
style L fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
特别注意:任务超时并不代表原 Agent 已经停止执行。
如果直接将任务分配给另一个 Agent,可能出现两个 Agent 同时执行同一任务。
对于有副作用的操作,必须使用幂等键、执行租约或资源锁,防止重复执行。
八、多智能体的结果整合与质量控制
多个 Agent 分别完成子任务后,还需要将结果整合成一致的最终输出。
这一步经常被低估。
不同 Agent 可能:
- 使用不同的数据来源。
- 得出互相矛盾的结论。
- 采用不同的术语和数据格式。
- 对同一问题作出不同假设。
- 忽略其他 Agent 的约束。
因此,结果整合不能简单地拼接多个 Agent 的输出。
8.1 结果整合机制
典型流程:
flowchart TD
A["收集各 Agent 结果"] --> B["结构化结果解析"]
B --> C["检查任务完整性"]
C --> D["检查事实与证据"]
D --> E["识别结果冲突"]
E --> F{"是否存在冲突"}
F -->|"否"| G["统一结果格式"]
F -->|"是"| H["冲突分析与协调"]
H --> I["补充验证或重新分配任务"]
I --> D
G --> J["Reviewer 最终审查"]
J --> K{"是否通过验收"}
K -->|"是"| L["生成最终结果"]
K -->|"否"| M["返回修正任务"]
style A fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style B fill:#EAF3EC,stroke:#83A995,color:#315D49
style C fill:#F5F8F4,stroke:#B5CBBB,color:#40594A
style D fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style E fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style G fill:#EAF3EC,stroke:#83A995,color:#315D49
style H fill:#EAE8FA,stroke:#A49BD5,color:#51477D
style I fill:#F7EAE7,stroke:#C98D7C,color:#754438
style J fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
style K fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
style L fill:#DCEFE5,stroke:#4F8B70,color:#24563F
style M fill:#F7EAE7,stroke:#C98D7C,color:#754438
8.2 结果冲突处理
当多个 Agent 的结果存在冲突时,可以采用以下策略:
| 策略 | 原理 | 适用场景 |
|---|---|---|
| Evidence Based | 根据证据质量决定 | 研究和事实核验 |
| Rule Based | 按预定义规则裁决 | 业务约束明确 |
| Expert Review | 由专业 Agent 复核 | 专业技术问题 |
| Majority Voting | 根据多数意见决定 | 多个独立判断 |
| Re-execution | 重新执行验证 | 结果存在疑问 |
| Human Review | 人工最终裁决 | 高风险决策 |
多数投票并不总是可靠。
如果多个 Agent 使用相同模型、相同资料和相似提示词,它们可能产生高度相关的错误。
因此,结果整合应优先关注证据、独立性和可验证性,而不是单纯统计支持人数。
8.3 多 Agent 质量评估
可以从以下维度评估系统:
- 子任务完成率。
- 任务依赖满足率。
- 结果一致性。
- 事实准确性。
- 证据完整性。
- 最终任务成功率。
- 失败恢复能力。
对于关键输出,可以要求每个 Agent 提供结构化结果:
{
"agent_id": "research_agent_01",
"task_id": "research_001",
"status": "completed",
"summary": "研究结论摘要",
"findings": [
{
"claim": "技术方案支持水平扩展",
"evidence": "官方技术文档中的相关说明",
"confidence": 0.92
}
],
"limitations": [
"缺少特定版本的性能测试数据"
],
"recommended_next_steps": [
"补充实际负载测试"
]
}
九、多智能体系统的工程实现
下面通过 Python 构建一个简化的 Multi-Agent 系统,理解任务分配、Agent 执行和结果汇总的核心逻辑。
9.1 定义 Agent
from dataclasses import dataclass, field
from typing import Callable, Any
@dataclass
class Agent:
name: str
role: str
handler: Callable[[dict], Any]
def run(self, task: dict):
return self.handler(task)
每个 Agent 包含:
name:Agent 名称。role:Agent 职责。handler:具体执行逻辑。
9.2 定义任务
@dataclass
class Task:
task_id: str
description: str
assigned_agent: str
dependencies: list[str] = field(
default_factory=list
)
status: str = "pending"
result: Any = None
任务包含唯一标识、任务描述、执行者、依赖关系、执行状态和结果。
9.3 创建专业 Agent
def research_handler(task):
return {
"topic": task["description"],
"result": "完成技术资料收集",
"status": "success"
}
def analysis_handler(task):
return {
"topic": task["description"],
"result": "完成技术分析",
"status": "success"
}
def review_handler(task):
return {
"result": "审查通过",
"status": "success"
}
research_agent = Agent(
name="research_agent",
role="技术研究",
handler=research_handler
)
analysis_agent = Agent(
name="analysis_agent",
role="技术分析",
handler=analysis_handler
)
review_agent = Agent(
name="review_agent",
role="质量审查",
handler=review_handler
)