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:
- 当前执行者。
- 下一个执行者。
- 移交原因。
- 当前任务状态。
- 已完成的工作。
- 剩余任务。
- 需要传递的上下文。
- 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: