主题
多 Agent 协作
单个 Agent 能力有限，多个 Agent 分工协作可以完成更复杂的任务。
为什么需要多 Agent
单 Agent 的问题：
- 任务复杂时，提示词过长，效果下降
- 一个 Agent 难以同时擅长多个领域
- 没有"角色分工"，容易混乱
多 Agent 的优势：
- 每个 Agent 专注一个领域（专家模式）
- 角色之间可以对话、讨论、辩论
- 任务分解，各司其职多 Agent 模式
1. 顺序模式（Pipeline）
Agent A → Agent B → Agent C → 最终结果
示例：写技术博客
Agent A（研究者）：搜集资料
Agent B（写作者）：撰写草稿
Agent C（编辑）：润色校对2. 评审模式（Review）
Agent A 生成结果 → Agent B 评审 → 反馈给 A → 修改 → ...
示例：代码生成
Coder Agent 写代码 → Reviewer Agent 审查 → Coder 修改3. 并行模式
Agent A ┐
Agent B ├── 汇总 → 最终结果
Agent C ┘
示例：市场调研
Agent A 分析竞品 → |
Agent B 分析用户 → | → 汇总 Agent 生成报告
Agent C 分析趋势 → |4. 群聊模式（Group Chat）
多个 Agent 自由对话，讨论出最佳方案：
User → Group Chat { Agent A, Agent B, Agent C, ... } → 最终结果
适合：需要头脑风暴、方案讨论的场景AutoGen 示例
python
import autogen
# 定义两个 Agent
coder = autogen.AssistantAgent(
name="Coder",
llm_config={"model": "gpt-4"}
)
reviewer = autogen.AssistantAgent(
name="Reviewer",
llm_config={"model": "gpt-4"}
)
# 用户代理（执行代码）
user_proxy = autogen.UserProxyAgent(
name="User",
code_execution_config={"work_dir": "coding"}
)
# 开始对话
user_proxy.initiate_chat(
coder,
message="写一个快速排序算法，并用 JUnit 测试"
)
# Coder 写代码 → User 执行 → Reviewer 审查 → Coder 修改 → ...CrewAI 示例
CrewAI 更强调"角色"和"任务"的概念：
python
from crewai import Agent, Task, Crew
# 定义角色
researcher = Agent(
role="高级研究员",
goal="深入调研指定主题",
backstory="你是一位经验丰富的研究员，擅长信息收集和分析"
)
writer = Agent(
role="技术作家",
goal="将研究成果写成清晰的技术文章",
backstory="你是一位资深技术作家，擅长将复杂概念讲清楚"
)
# 定义任务
research_task = Task(
description="调研 RAG（检索增强生成）技术的原理和实现",
agent=researcher
)
write_task = Task(
description="基于调研结果，写一篇 2000 字的技术文章",
agent=writer
)
# 组建团队并执行
crew = Crew(
agents=[researcher, writer],
tasks=[research_task, write_task]
)
result = crew.kickoff()角色设计建议
| 角色 | 职责 |
|---|---|
| Researcher | 搜集资料、查文档 |
| Coder | 写代码、实现功能 |
| Reviewer | 代码审查、找 Bug |
| Architect | 系统设计、技术选型 |
| Tester | 写测试、跑测试 |
| Product Manager | 需求分析、优先级排序 |
多 Agent 的挑战
- 成本：多个 Agent 意味着多次 LLM 调用，费用成倍增加
- 延迟：顺序执行时，总耗时 = 各 Agent 耗时之和
- 协调复杂：需要设计好 Agent 之间的通信协议
- 难以调试：出问题了，不知道是哪个 Agent 的锅