06-多Agent协作：角色分工与通信
多 Agent 协作：角色分工与通信
单个 Agent 能力有限，多个 Agent 分工协作能完成更复杂的任务。这篇讲多 Agent 系统的设计：常见的角色分工模式、通信方式、协调机制，以及典型的多 Agent 架构。
大家好，我是黒漂技术佬。
单个 Agent 再强，也很难同时擅长调研、写作、代码、测试。人有团队协作，Agent 也一样。多 Agent 系统让多个智能体扮演不同角色，各司其职，协作完成复杂任务。
比如做一个产品，有产品经理 Agent、工程师 Agent、测试 Agent、设计师 Agent，各自干擅长的事，互相配合。
这篇讲多 Agent 协作：角色分工、通信方式、常见架构、适用场景。
一、为什么需要多个 Agent？
单个 Agent 的局限
- 角色冲突：既要写代码又要测代码，容易「自己写的自己看不出问题」
- 能力有限：一个模型 Prompt 里塞太多角色，每个都做不精
- 上下文有限：所有信息塞一个上下文里，容易混
- 并行不了：只能一步步来，慢
多 Agent 的优势
- 专业分工：每个 Agent 专注一个角色，做得更好
- 并行执行：独立的任务可以同时做，快
- 质量更高：互相审查、互相补充
- 可扩展性：加角色就加 Agent，不用改整个系统
- 更像真实团队：符合人类的工作模式
二、常见的角色分工模式
模式 1：顺序流水线
需求 → 产品Agent → 设计Agent → 开发Agent → 测试Agent → 交付
每个 Agent 做完自己的部分，传给下一个。
适用：流程固定的任务，比如内容生产、软件开发。
模式 2：主从式（Manager + Worker）
管理者Agent（分配任务、汇总结果）
/ | \
工人A 工人B 工人C
（调研） （写作） （校对）
一个管理者负责规划和分配，多个工人执行具体任务。
适用：任务可以拆成多个独立子任务的场景。
模式 3：圆桌讨论式
主持人Agent
/ | \
专家A 专家B 专家C
\ | /
共同讨论 → 输出结论
多个专家 Agent 围绕一个问题讨论，各自发表观点，最后综合。
适用：需要多视角、多领域知识的复杂决策。
模式 4：对抗式（双 Agent 辩论）
正方Agent ←→ 反方Agent
↓
裁判Agent 判定
两个 Agent 持相反观点辩论，第三方裁判总结。
适用：需要批判性思维、避免一面之词的场景。
模式 5：分层式
战略层（大方向规划）
↓
战术层（具体执行规划）
↓
执行层（实际操作）
高层做决策，中层做计划，底层执行。
适用：非常复杂的大任务。
三、多 Agent 怎么通信？
通信方式
1. 共享上下文（消息队列）
所有 Agent 共享一个对话历史，谁说话都加到里面，大家都能看到。
- 优点：简单，信息透明
- 缺点：上下文容易爆，信息太多容易乱
2. 点对点消息
Agent 之间直接发消息，想跟谁说就发给谁。
- 优点：灵活，隐私好
- 缺点：管理复杂，容易消息满天飞
3. 共享内存（黑板模式）
有一个公共的「黑板」（共享存储），大家都往上面写信息，也都能读。
共享黑板：
- 任务目标
- 当前进展
- 各Agent产出
- 待解决问题
Agent 读黑板获取信息，写黑板更新状态。
- 优点：解耦，Agent 之间不需要直接知道对方
- 缺点：需要设计好黑板的数据结构
4. 协调者中转
所有消息通过协调者转发，协调者管理流程。
Agent A → 协调者 → Agent B
- 优点：集中管理，流程可控
- 缺点：协调者是瓶颈
通信协议
消息最好有结构化格式，比如：
{
"from": "researcher",
"to": "writer",
"type": "deliverable",
"content": {
"task_id": "123",
"data": "调研结果..."
},
"timestamp": "..."
}
比纯自然语言可靠，程序也好处理。
四、协调机制
谁来管流程？
1. 中心化：管理者 Agent
一个 Manager 说了算，分配任务、检查结果、决定下一步。
优点：流程可控，不容易乱
缺点：Manager 是单点，能力决定整体上限
2. 去中心化：自治协商
每个 Agent 自己决定做什么，互相协商。
优点：灵活，适应性强
缺点：容易乱，效率低，可能聊半天没结论
3. 流程编排（预设工作流）
固定流程，按步骤走，每个步骤对应一个 Agent。
优点：稳定，可预测
缺点：不够灵活，异常情况难处理
实际建议
业务系统推荐「预设工作流 + 管理者兜底」：
- 正常情况按预设流程走，稳定高效
- 遇到异常情况由管理者 Agent 处理
五、典型的多 Agent 案例
案例 1：内容创作团队
主编Agent（规划+审稿）
├── 研究员Agent：搜集资料
├── 撰稿Agent：写初稿
├── 编辑Agent：修改润色
└── 校对Agent：检查错别字和事实
流程：
- 主编定主题和大纲
- 研究员搜集资料
- 撰稿写初稿
- 编辑修改
- 校对检查
- 主编终审
案例 2：软件开发团队
产品经理Agent → 写需求文档
↓
架构师Agent → 技术方案设计
↓
程序员Agent → 写代码
↓
测试Agent → 找bug
↓
代码审查Agent → 代码质量
案例 3：客服 + 专家
一线客服Agent
↓ 解决不了
转二线技术专家Agent
↓ 还解决不了
转人工
分层处理，简单问题一线搞定，复杂的升级。
案例 4：辩论式决策
用户问题
↓
正方Agent：支持方案A，列出理由
反方Agent：反对方案A，列出问题
↓
几轮辩论
↓
裁判Agent：综合给出建议
帮助用户更全面地看问题。
六、多 Agent 框架
CrewAI
专门做多 Agent 协作的框架，角色 + 任务的模式：
# 定义角色
researcher = Agent(
role='研究员',
goal='搜集整理相关资料',
backstory='你是资深行业研究员，擅长信息搜集和整理',
tools=[search_tool]
)
writer = Agent(
role='撰稿人',
goal='根据资料撰写文章',
backstory='你是资深科技作者，擅长结构化写作'
)
# 定义任务
task1 = Task(description='调研AI Agent现状', agent=researcher)
task2 = Task(description='撰写综述文章', agent=writer)
# 组队执行
crew = Crew(agents=[researcher, writer], tasks=[task1, task2])
result = crew.kickoff()
角色 + 任务，非常直观，适合流程化的多 Agent 场景。
AutoGPT / GPT-Engineer
偏单个自主 Agent，但可以扩展成多 Agent。
LangGraph
LangChain 出的多 Agent 编排框架，用图的方式定义 Agent 之间的流转。
元功能（Meta Prompting）
一个主 Agent 负责生成和调度子 Agent，动态创建专家解决问题。
七、多 Agent 的挑战
1. 成本高
多个 Agent 多次调用，token 消耗是单 Agent 的好几倍。
2. 延迟高
串行的话，每个 Agent 都要时间，总延迟长。
3. 协调难
Agent 之间聊跑偏、重复工作、互相甩锅……跟人一样。
4. 误差累积
一个 Agent 出错了，传给下一个，错误被放大。
5. 调试难
单 Agent 就不好调了，多个 Agent 交互更难追踪问题。
6. 什么时候真的需要多 Agent？
不是越复杂越好。很多场景单个 Agent 就够了，硬上多 Agent 反而增加复杂度和成本。
需要上多 Agent 的信号：
- 任务有明显的多个角色/阶段
- 需要不同的专业能力
- 有可以并行的部分
- 单 Agent 质量不够，需要互相审查
- 任务流程长，单上下文装不下
八、设计多 Agent 系统的建议
1. 先从单 Agent 开始
先把单 Agent 做好，确定瓶颈在哪里，再考虑拆多 Agent。不要上来就搞团队。
2. 角色清晰
每个 Agent 的职责、目标、工具都要明确，不要重叠。
3. 输出标准化
每个 Agent 的输出格式约定好，下一个 Agent 好处理。
4. 有总控
需要一个管理者或者工作流引擎来控场，不然容易乱。
5. 人工介入点
关键节点让人来审核、确认，特别是有风险的步骤。
6. 监控和日志
每个 Agent 的输入输出都要记录，方便调试和复盘。
九、本篇小结
- 多 Agent 优势：专业分工、并行执行、质量更高、可扩展
- 常见模式：顺序流水线、主从式、圆桌讨论、对抗辩论、分层式
- 通信方式：共享上下文、点对点、黑板模式、协调者中转
- 协调机制：中心化管理、去中心化自治、预设工作流编排
- 典型应用：内容创作团队、软件开发团队、分层客服、辩论决策
- 主流框架：CrewAI（角色+任务）、LangGraph（图编排）、AutoGPT
- 挑战：成本高、延迟高、协调难、误差累积、调试难
- 设计建议：先单 Agent 再多 Agent、角色清晰、输出标准化、有总控、人工介入
下一篇讲 RAG + Agent：知识库增强的智能体，怎么把检索增强和 Agent 结合起来。
我是黒漂技术佬。
浙公网安备 33010602011771号