返回专栏
· 27 分钟阅读

多 Agent 的角色分工与通信


一、为什么需要角色分工与通信

单个 Agent 通常需要同时承担任务理解、信息检索、分析推理、工具调用、结果验证和内容生成等职责。当任务复杂度不断提高时,单 Agent 容易出现上下文过载、职责混乱、推理质量下降以及执行效率不足等问题。

多 Agent 系统通过多个具有不同职责的 Agent 协同工作,将复杂任务拆分为多个相对独立的子任务。

例如,构建一个技术研究报告系统,可以划分为:

  • Planner Agent:负责理解目标、制定计划和拆解任务。
  • Researcher Agent:负责检索资料、收集证据。
  • Analyst Agent:负责分析数据、提炼结论。
  • Writer Agent:负责组织内容和生成报告。
  • Reviewer Agent:负责检查事实、逻辑和格式。
  • Coordinator Agent:负责调度 Agent、管理状态和协调执行。

多 Agent 协作的核心不是简单地增加模型数量,而是建立明确的职责边界、协作规则和通信机制。

1.1 多 Agent 的三个核心问题

核心问题 需要解决的内容
角色分工 每个 Agent 负责什么,不负责什么
任务协作 Agent 如何交换任务、共享结果和处理依赖
通信机制 Agent 如何发送消息、传递上下文和反馈状态

这三个问题相互关联。

角色分工决定协作边界,协作机制决定任务执行方式,通信机制则为协作提供基础设施。

二、Agent 角色设计

角色设计是多 Agent 系统的基础。一个合理的角色应当具备明确的目标、职责、输入、输出和权限。

2.1 角色的基本结构

一个 Agent 角色通常由以下部分组成:

组成 说明
Role 角色名称和身份定位
Goal 角色需要完成的目标
Responsibility 负责的具体任务
Input 接收的数据和上下文
Output 输出的数据结构
Tools 可以使用的工具
Constraints 行为约束和权限边界
Handoff 任务移交条件

例如,一个 Researcher Agent 可以定义为:

researcher = {
    "name": "Researcher",
    "goal": "收集与研究主题相关的可靠资料",
    "responsibilities": [
        "理解研究问题",
        "检索相关资料",
        "筛选可信来源",
        "整理证据和引用"
    ],
    "input": {
        "research_topic": "研究主题",
        "search_scope": "检索范围"
    },
    "output": {
        "summary": "资料摘要",
        "sources": [],
        "evidence": []
    },
    "tools": [
        "web_search",
        "document_reader"
    ],
    "constraints": [
        "不得编造来源",
        "必须区分事实与推测",
        "保留来源引用"
    ]
}

角色定义不仅是 Prompt 描述,还应当落实到系统接口、工具权限和输出校验中。

2.2 常见 Agent 角色

规划型 Agent(Planner)

负责将用户目标拆解成可执行任务。

主要职责:

  • 分析任务目标。
  • 识别任务依赖。
  • 确定执行顺序。
  • 分配任务给其他 Agent。
  • 根据执行结果调整计划。

Planner 不一定亲自完成所有任务,其核心价值是建立全局执行计划。

执行型 Agent(Executor)

负责完成具体子任务。

例如:

  • 调用搜索工具。
  • 执行 Python 代码。
  • 查询数据库。
  • 读取文件。
  • 调用外部 API。

Executor 应当聚焦具体执行,不宜承担过多全局调度职责。

专家型 Agent(Specialist)

负责特定领域的专业分析。

例如:

  • 数据分析 Agent。
  • 法律分析 Agent。
  • 金融分析 Agent。
  • 编程 Agent。
  • 安全审查 Agent。

专家 Agent 通常拥有专门的系统提示词、工具集和领域知识。

审核型 Agent(Reviewer)

负责检查其他 Agent 的输出。

常见审核内容:

  • 事实是否准确。
  • 推理是否完整。
  • 数据是否一致。
  • 是否满足任务要求。
  • 是否存在安全风险。

Reviewer 不应只是重复生成内容,而应当根据明确的质量标准进行验证。

协调型 Agent(Coordinator)

负责管理多个 Agent 的协作过程。

主要职责:

  • 管理 Agent 注册信息。
  • 接收任务请求。
  • 维护任务状态。
  • 路由消息。
  • 处理超时和失败。
  • 汇总执行结果。

在工程实现中,Coordinator 经常由一个确定性的调度服务承担,而不是必须由另一个大模型 Agent 承担。

2.3 角色划分的设计原则

原则一:单一职责。

每个 Agent 应当有清晰的主要目标,避免多个 Agent 负责相同工作却没有明确边界。

原则二:职责边界明确。

例如,Researcher 负责收集证据,Analyst 负责解释证据,Writer 负责组织表达。不能让每个 Agent 都重新检索、分析和生成全部内容。

原则三:输入输出标准化。

Agent 之间应当传递结构化数据,而不是依赖自然语言中的隐含信息。

原则四:权限最小化。

不同角色只开放完成任务所必需的工具和数据权限。

原则五:角色数量适度。

Agent 数量增加会带来通信开销、上下文成本、调度复杂度和错误传播风险。只有当任务具有明确的专业边界或并行收益时,才值得拆分角色。

三、多 Agent 的协作组织模式

角色分工确定之后,还需要决定 Agent 如何组织和协作。

不同组织模式适用于不同任务结构。

3.1 层级式协作(Hierarchical)

层级式协作采用树状结构,由上层 Agent 负责规划和调度,下层 Agent 负责执行。

flowchart TD
    A["用户任务"]
    B["Manager Agent"]
    C["Research Agent"]
    D["Analysis Agent"]
    E["Writing Agent"]
    F["Review Agent"]
    G["最终结果"]

    A --> B
    B --> C
    B --> D
    B --> E
    B --> F
    C --> B
    D --> B
    E --> B
    F --> B
    B --> G

    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:#EAE8FA,stroke:#A49BD5,color:#51477D
    style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F

特点:

  • 任务入口统一。
  • 调度关系清晰。
  • 便于集中管理状态。
  • 适合复杂任务拆解。
  • Manager 可能成为性能瓶颈。

适用场景:研究报告生成、复杂业务流程、自动化办公。

3.2 顺序式协作(Sequential)

多个 Agent 按照预先定义的顺序执行,前一个 Agent 的输出成为下一个 Agent 的输入。

flowchart TD
    A["任务输入"]
    B["Researcher"]
    C["Analyst"]
    D["Writer"]
    E["Reviewer"]
    F["最终输出"]

    A --> B
    B --> C
    C --> D
    D --> E
    E --> F

    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:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style F fill:#DCEFE5,stroke:#4F8B70,color:#24563F

特点:

  • 执行顺序明确。
  • 实现简单。
  • 便于跟踪任务状态。
  • 前置任务失败可能阻塞后续任务。
  • 不适合大量独立任务并行执行。

适用场景:内容生产、代码生成与审核、数据处理流水线。

3.3 并行式协作(Parallel)

多个 Agent 同时处理相互独立的任务,最后由汇总 Agent 合并结果。

flowchart TD
    A["任务输入"]
    B["Coordinator"]
    C["Agent A:技术调研"]
    D["Agent B:市场调研"]
    E["Agent C:竞品分析"]
    F["Result Aggregator"]
    G["综合结果"]

    A --> B
    B --> C
    B --> D
    B --> E
    C --> F
    D --> F
    E --> F
    F --> G

    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:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style F fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F

特点:

  • 能够利用并发提高执行效率。
  • 不同 Agent 可以从不同角度处理问题。
  • 汇总阶段需要解决结果冲突。
  • 并发调用会增加资源消耗。
  • 必须处理部分任务失败的情况。

适用场景:多源信息检索、独立数据分析、方案对比。

3.4 对等式协作(Peer-to-Peer)

多个 Agent 处于相对平等的地位,可以根据任务需要直接交换信息。

flowchart TD
    A["Agent A"]
    B["Agent B"]
    C["Agent C"]
    D["Agent D"]
    E["共享任务状态"]

    A <--> B
    B <--> C
    C <--> D
    D <--> A
    A <--> C
    B <--> D

    A <--> E
    B <--> E
    C <--> E
    D <--> E

    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:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style E fill:#DCEFE5,stroke:#4F8B70,color:#24563F

特点:

  • Agent 之间具有较高自主性。
  • 能够进行动态协商。
  • 适合多方讨论和观点比较。
  • 通信关系复杂。
  • 容易出现循环讨论和重复工作。

适用场景:多视角问题分析、协商决策、复杂模拟。

3.5 混合式协作(Hybrid)

实际生产系统通常不会只采用一种模式,而是根据任务结构组合多种模式。

例如:

  • Planner 采用层级式调度。
  • 独立检索任务采用并行执行。
  • 数据分析与报告生成采用顺序执行。
  • Reviewer 与 Writer 之间采用反馈循环。

混合模式具有较强灵活性,但需要更加完善的任务状态管理和通信协议。

四、Agent 之间如何通信

通信是多 Agent 协作的基础。

Agent 不应该仅仅依赖彼此的对话历史进行协作,而应当通过明确的消息结构传递任务、上下文和执行结果。

4.1 通信的基本组成

一次完整的 Agent 消息通常包含以下信息:

字段 作用
message_id 消息唯一标识
conversation_id 所属会话
task_id 关联任务
sender 发送方 Agent
receiver 接收方 Agent
message_type 消息类型
payload 消息主体
timestamp 消息创建时间
correlation_id 关联请求与响应
trace_id 跨 Agent 调用追踪标识
metadata 优先级、版本等扩展信息

一个简单的消息结构:

{
  "message_id": "msg-1001",
  "conversation_id": "conv-001",
  "task_id": "task-101",
  "sender": "planner",
  "receiver": "researcher",
  "message_type": "task.assign",
  "correlation_id": "req-1001",
  "trace_id": "trace-001",
  "timestamp": "2026-11-20T10:00:00Z",
  "payload": {
    "objective": "研究多 Agent 通信机制",
    "requirements": [
      "整理通信协议",
      "分析消息路由",
      "提供工程建议"
    ]
  },
  "metadata": {
    "priority": "high",
    "schema_version": "1.0"
  }
}

其中:

  • message_id 用于识别单条消息。
  • task_id 用于关联业务任务。
  • correlation_id 用于匹配请求与响应。
  • trace_id 用于追踪整个分布式执行链路。

这些标识不能混为一谈。

例如,一个任务可能产生多条消息,一条消息也可能触发新的子任务。

4.2 常见消息类型

建议将消息类型设计为有限、明确的协议集合。

消息类型 含义
task.assign 分配任务
task.accept 接受任务
task.reject 拒绝任务
task.progress 汇报进度
task.result 返回执行结果
task.failed 任务执行失败
task.cancel 取消任务
message.request 普通请求
message.response 普通响应
context.update 更新共享上下文
review.feedback 审核反馈
agent.handoff 移交任务

通过统一消息类型,Coordinator 可以根据消息语义执行不同处理逻辑。

例如:

  • 收到 task.assign,创建或启动任务。
  • 收到 task.progress,更新任务状态。
  • 收到 task.result,保存结果并检查后续依赖。
  • 收到 task.failed,进入失败处理流程。

五、Agent 通信模式

Agent 之间的通信不仅有消息格式上的区别,也有交互方式上的区别。

5.1 请求—响应模式(Request-Response)

一个 Agent 向另一个 Agent 发送请求,并等待对方返回结果。

例如,Planner 请求 Researcher 收集资料。

sequenceDiagram
    participant P as Planner
    participant R as Researcher

    P->>R: task.assign
    R-->>P: task.accept
    R-->>P: task.progress
    R->>R: 执行资料检索
    R-->>P: task.result

适合:

  • 需要明确返回结果的任务。
  • 有确定执行时间的工具调用。
  • Agent 之间的同步协作。

缺点是调用方可能需要等待。如果下游 Agent 执行时间较长,同步等待会占用连接和执行资源。

5.2 异步消息模式(Asynchronous Messaging)

发送方提交任务后立即返回,不必等待执行完成。

接收方通过消息队列或事件系统异步处理任务,并在完成后发送结果。

flowchart TD
    A["Planner 提交任务"]
    B["消息队列"]
    C["Researcher 消费消息"]
    D["执行检索"]
    E["发送结果事件"]
    F["Coordinator 接收结果"]
    G["更新任务状态"]

    A --> B
    B --> C
    C --> D
    D --> E
    E --> F
    F --> G

    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:#EAE8FA,stroke:#A49BD5,color:#51477D
    style F fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F

优点:

  • 发送方和接收方解耦。
  • 支持长时间运行任务。
  • 更容易扩展并发执行。
  • 能够通过消息队列实现削峰填谷。

缺点:

  • 需要管理消息积压。
  • 需要处理重复投递。
  • 需要管理任务超时和结果关联。
  • 系统状态最终一致,不一定立即同步。

5.3 发布—订阅模式(Publish-Subscribe)

发布者将事件发送到主题,订阅者根据自己的订阅关系接收事件。

例如,Researcher 完成检索后发布 research.completed 事件,多个 Agent 可以分别订阅:

  • Analyst 负责分析资料。
  • Writer 负责准备内容。
  • Audit Agent 负责检查引用来源。
flowchart TD
    A["Researcher"]
    B["research.completed 事件"]
    C["消息主题"]
    D["Analyst"]
    E["Writer"]
    F["Audit Agent"]

    A --> B
    B --> C
    C --> D
    C --> E
    C --> F

    style A fill:#EAF3EC,stroke:#83A995,color:#315D49
    style B fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style C fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style D fill:#EAF3EC,stroke:#83A995,color:#315D49
    style E fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style F fill:#F7F4E8,stroke:#C7B77A,color:#675A2D

发布—订阅模式适合事件驱动架构,但必须注意事件幂等性、订阅关系和事件版本管理。

5.4 直接 Agent-to-Agent 通信

在部分系统中,Agent 可以直接向其他 Agent 发送消息,不必经过中心协调器。

例如:

  • Analyst 向 Researcher 请求补充证据。
  • Reviewer 向 Writer 发送修改意见。
  • Coding Agent 向 Testing Agent 请求测试。

直接通信能够减少中心调度压力,但也会增加 Agent 之间的耦合。

工程上通常需要限制直接通信范围,避免形成无法追踪的复杂消息网络。

六、共享上下文与消息传递

多 Agent 系统中,一个重要问题是:多个 Agent 如何共享任务信息?

常见方案包括消息传递、共享状态和混合模式。

6.1 纯消息传递

每个 Agent 只通过消息接收任务所需的数据。

例如:

{
  "sender": "researcher",
  "receiver": "analyst",
  "message_type": "task.result",
  "payload": {
    "research_summary": "研究摘要",
    "evidence": [
      {
        "content": "证据内容",
        "source": "来源地址"
      }
    ]
  }
}

优点:

  • 职责边界明确。
  • 数据传递路径清晰。
  • 容易进行权限控制。
  • 不依赖共享存储。

缺点:

  • 消息可能携带大量重复数据。
  • 多轮协作容易产生上下文冗余。
  • 大型任务的消息管理成本较高。

6.2 共享状态(Shared State)

多个 Agent 访问同一个任务状态存储。

例如:

task_state = {
    "task_id": "task-101",
    "status": "running",
    "research": {
        "status": "completed",
        "result": "研究结果"
    },
    "analysis": {
        "status": "pending",
        "result": None
    },
    "writing": {
        "status": "pending",
        "result": None
    }
}

各 Agent 只需要读取和更新自己负责的状态字段。

优点:

  • 减少重复消息传输。
  • 方便跨 Agent 共享结果。
  • 适合复杂工作流。
  • 支持任务恢复和状态检查。

缺点:

  • 需要解决并发写入问题。
  • 容易出现状态覆盖。
  • 需要设计权限和数据隔离。
  • 共享状态可能成为系统瓶颈。

6.3 混合上下文管理

生产系统通常采用混合模式:

  • 消息传递任务指令和事件。
  • 共享存储保存大型任务结果。
  • Agent 只接收与当前任务相关的上下文。
  • 必要时通过引用 ID 获取完整数据。

例如:

{
  "message_type": "task.result",
  "task_id": "task-101",
  "payload": {
    "result_id": "result-2001",
    "summary": "检索任务已经完成",
    "storage_uri": "memory://task-101/research"
  }
}

消息只传递摘要和结果引用,完整内容保存在共享存储中。

这样能够避免大量数据在 Agent 之间反复传输。

七、任务移交与控制权转移(Handoff)

Handoff 是多 Agent 系统中的关键机制。

它表示当前 Agent 完成自己的职责后,将任务控制权交给另一个 Agent。

例如:

  • Planner 将检索任务交给 Researcher。
  • Researcher 将证据交给 Analyst。
  • Analyst 将分析结果交给 Writer。
  • Writer 将初稿交给 Reviewer。

7.1 Handoff 的核心信息

一次任务移交至少需要明确:

  1. 当前执行者。
  2. 下一个执行者。
  3. 移交原因。
  4. 当前任务状态。
  5. 已完成的工作。
  6. 剩余任务。
  7. 需要传递的上下文。
  8. 是否保留原执行者的控制权。

例如:

{
  "message_type": "agent.handoff",
  "task_id": "task-101",
  "sender": "researcher",
  "receiver": "analyst",
  "payload": {
    "reason": "research_completed",
    "completed_work": [
      "收集相关资料",
      "筛选可靠来源",
      "整理关键证据"
    ],
    "next_action": "分析证据并提炼结论",
    "result_id": "result-2001"
  }
}

7.2 Handoff 执行流程

flowchart TD
    A["当前 Agent 执行任务"]
    B{"是否满足移交条件"}
    C["继续当前任务"]
    D["整理执行结果"]
    E["构造 Handoff 消息"]
    F["Coordinator 验证移交"]
    G{"目标 Agent 是否可用"}
    H["分配给目标 Agent"]
    I["更新任务所有权"]
    J["目标 Agent 开始执行"]
    K["移交失败处理"]

    A --> B
    B -->|"否"| C
    C --> A
    B -->|"是"| D
    D --> E
    E --> F
    F --> G
    G -->|"是"| H
    H --> I
    I --> J
    G -->|"否"| K

    style A fill:#EAF3EC,stroke:#83A995,color:#315D49
    style B fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style C fill:#EAF3EC,stroke:#83A995,color:#315D49
    style D fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style E fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style F fill:#E0F0FE,stroke:#93BCE8,color:#1E4976
    style G fill:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style H fill:#EAF3EC,stroke:#83A995,color:#315D49
    style I fill:#EAE8FA,stroke:#A49BD5,color:#51477D
    style J fill:#DCEFE5,stroke:#4F8B70,color:#24563F
    style K fill:#F7EAE7,stroke:#C98D7C,color:#754438

7.3 Handoff 与普通消息的区别

普通消息主要用于传递信息,不一定改变任务执行者。

Handoff 则意味着任务控制权或执行责任发生变化。

比较项 普通消息 Handoff
主要目的 交换信息 转移执行责任
是否改变执行者 不一定 通常会
是否需要任务状态更新 视情况而定 通常需要
是否涉及权限检查 视情况而定 应当检查
是否需要移交上下文 不一定 必须保证必要上下文完整

如果没有明确的 Handoff 语义,系统容易出现两个 Agent 同时执行同一任务,或者任务无人负责的问题。

八、通信协议与标准化

当 Agent 数量增加时,系统需要统一通信协议。

否则,每个 Agent 都使用自己的消息结构和调用方式,会导致大量适配代码。

8.1 为什么需要通信协议

通信协议主要解决:

  • Agent 如何发现其他 Agent。
  • 如何描述 Agent 的能力。
  • 如何发送任务请求。
  • 如何传递任务结果。
  • 如何进行身份认证。
  • 如何处理错误和超时。
  • 如何协商消息格式。

协议应当把通信行为从具体模型实现中抽象出来。

8.2 Agent 能力描述

Coordinator 需要知道每个 Agent 能做什么,才能正确路由任务。

可以使用类似下面的结构描述 Agent:

{
  "agent_id": "researcher-001",
  "name": "Researcher",
  "description": "负责信息检索和资料整理",
  "capabilities": [
    "web_search",
    "document_retrieval",
    "source_validation"
  ],
  "input_schema": {
    "topic": "string",
    "scope": "string"
  },
  "output_schema": {
    "summary": "string",
    "sources": "array"
  },
  "endpoint": "agent://researcher-001",
  "status": "available"
}

能力描述可以用于任务路由、服务发现和权限校验。

8.3 常见 Agent 通信协议与标准

MCP(Model Context Protocol)

MCP 主要用于标准化模型与外部工具、数据源之间的交互。

它可以帮助 Agent 访问工具和上下文资源,但不能直接等同于完整的多 Agent 编排协议。

A2A(Agent2Agent Protocol)

A2A 面向不同 Agent 之间的协作,关注 Agent 能力发现、任务交互、消息传递和任务状态。

它适合需要跨 Agent、跨系统协作的场景。

ACP(Agent Communication Protocol)

ACP 是围绕 Agent 互操作和通信设计的协议体系。实际选型时,需要确认所采用实现的维护状态、兼容性和生态支持,不能仅凭协议名称判断其适用性。

自定义通信协议

对于边界明确的内部系统,也可以设计自己的消息协议。

但需要统一:

  • 消息格式。
  • 消息版本。
  • 错误码。
  • 身份认证。
  • 任务状态。
  • 超时与重试。
  • 幂等性规则。

选择协议时,应关注系统边界和互操作需求,而不是为了使用某种协议而增加不必要的复杂度。

九、消息路由与任务调度

多 Agent 系统中,消息发送并不意味着目标 Agent 一定能够执行任务。

系统还需要判断:

  • 哪个 Agent 具备所需能力?
  • 哪个 Agent 当前可用?
  • 哪个 Agent 的负载较低?
  • 任务是否存在前置依赖?
  • 是否需要并行分发?
  • 是否需要将任务重新分配?

9.1 基于能力的路由

Coordinator 可以根据任务所需能力匹配 Agent。

例如:

agents = [
    {
        "name": "researcher",
        "capabilities": ["web_search", "document_retrieval"]
    },
    {
        "name": "analyst",
        "capabilities": ["data_analysis", "reasoning"]
    },
    {
        "name": "writer",
        "capabilities": ["content_generation"]
    }
]


def find_agents(required_capabilities):
    matches = []

    for agent in agents:
        capabilities = set(agent["capabilities"])

        if set(required_capabilities).issubset(capabilities):
            matches.append(agent)

    return matches


result = find_agents(["web_search", "document_retrieval"])
print(result)

这是一个简单的能力匹配示例。

生产系统还需要考虑 Agent 状态、负载、任务优先级和租户隔离。

9.2 常见路由策略

路由策略 说明 适用场景
固定路由 任务直接发送给指定 Agent 流程固定
能力路由 根据能力匹配 Agent 专业分工
负载路由 根据当前负载分配 高并发系统
优先级路由 根据任务优先级分配 多级任务
动态路由 根据执行结果调整目标 复杂任务
广播路由 同时发送给多个 Agent 并行分析

9.3 任务依赖管理

当多个任务之间存在依赖时,Coordinator 需要维护任务依赖关系。

例如:

  • Research A 和 Research B 可以并行。
  • Analysis 必须等待 Research A 和 Research B 完成。
  • Writing 必须等待 Analysis 完成。
  • Review 必须等待 Writing 完成。

可以使用有向无环图(DAG)描述任务依赖。

flowchart TD
    A["开始"]
    B["Research A"]
    C["Research B"]
    D["Analysis"]
    E["Writing"]
    F["Review"]
    G["结束"]

    A --> B
    A --> C
    B --> D
    C --> D
    D --> E
    E --> F
    F --> G

    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:#F7F4E8,stroke:#C7B77A,color:#675A2D
    style G fill:#DCEFE5,stroke:#4F8B70,color:#24563F

DAG 可以支持:

  • 并行任务执行。
  • 依赖关系检查。
  • 失败任务定位。
  • 局部重试。
  • 任务恢复。
  • 执行进度统计。

如果任务依赖存在循环,就不能直接使用普通 DAG 调度,需要将循环建模为显式迭代工作流,并设置终止条件和最大迭代次数。

十、通信中的异常处理

多 Agent 系统的通信涉及网络、消息队列、模型调用和外部服务,因此必须考虑各种异常。

10.1 常见通信异常

异常 可能原因 处理方式
Agent 不可用 服务下线、实例崩溃 重新路由
消息发送失败 网络错误、连接中断 有限重试
消息重复 消息队列重复投递 幂等处理
消息丢失 消费确认异常 持久化与补偿
响应超时 Agent 执行过慢 超时控制
输出格式错误 模型未遵循协议 Schema 校验
任务死锁 循环依赖、资源等待 超时与死锁检测
结果冲突 多 Agent 输出不一致 仲裁与验证

10.2 消息可靠性

消息系统通常无法简单保证业务层面的绝对一次执行。

常见投递语义:

  • At-most-once:最多投递一次,可能丢失。
  • At-least-once:至少投递一次,可能重复。
  • Exactly-once:通常需要依赖消息系统和业务存储的特定机制,不能仅靠消息队列就保证完整业务链路绝对只执行一次。

工程上常见的选择是 At-least-once 加业务幂等。

例如: