什么是 多智能体？
多智能体系统是一种 AI 应用架构，其中两个或更多边界明确的 Agent 通过任务、消息、状态、权限和完成契约进行协作。
快速了解
| 全称 | 多智能体系统 |
|---|---|
| 创建时间 | 概念源自 1980 年代 AI，基于 LLM 的版本从 2023 年开始 |
工作原理
根据任务结构决定是否拆分
当独立分支可以并行、某项能力需要单独权限域、专家需要隔离上下文，或组织归属要求稳定服务契约时，多 Agent 才有明确价值。任务很长、步骤很多或角色很多，本身都不是拆分理由。实施前应建立单 Agent 或确定性工作流基线，并比较验收结果、延迟、成本和人工负担。
拓扑与控制权转移
Manager-as-Tools 模式由一个协调者持续负责用户结果，专家只返回有边界的产物；Handoff 会转移当前控制权，通常也会改变下一阶段采用的指令与上下文。确定性工作流用代码固定顺序、分支或扇出；对等或网状结构则进一步分散控制权。这些是不同决策。每次转移都应标明所有者、目标、允许原因、上下文子集、剩余预算和返回或终止条件。
状态、产物与副作用
每个可变状态字段应只有一个权威写入者，Agent 之间优先交换不可变、带 schema 版本的产物，而不是共享自由文本。每个任务和外部副作用都需要 Run ID、Task ID、Principal、Deadline、Attempt 与 Idempotency Key。对等 Agent 的输出属于不可信输入，执行工具时必须重新鉴权。Checkpoint 只记录逻辑进度，外部写入仍需与事实系统对账，并保留结果未知路径。
故障处理与系统评测
系统应传播取消与截止时间，限制委派深度和总工作量，为汇总阶段预留预算，并定义部分结果是接受还是丢弃。还要检测无进展循环、重复工作、产物冲突、Worker 不可用与迟到结果。评测先看最终状态和用户价值，再检查路由准确率、覆盖率、交接损失、重复副作用、恢复、安全、token 与 p95 延迟；单个 Agent 得分无法证明整体可靠。
主要特点
- 引入多个具有明确职责和边界的执行单元
- 区分协调拓扑与顺序、并行、路由和循环等执行流
- 使用带版本的任务、产物、交接和终态契约
- 在每个 Agent 与工具边界重新执行最小权限鉴权
- 需要全局预算、取消、幂等、对账与循环检测
- 必须以完整系统结果和更简单基线证明拆分价值
常见用途
- 并行执行独立研究分支，再基于证据统一汇总
- 在软件交付中隔离实现、测试和审批身份
- 通过稳定契约向不同治理域的服务委派任务
- 在已识别关联自审风险时引入独立复核角色
- 协调需要检查点、有限重试和人工升级的长任务
示例
Loading code...常见问题
多智能体系统和单个 AI 智能体有什么区别？
单 Agent 拥有一条主要上下文和控制循环；多智能体系统把工作分给多个边界明确的 Agent，并新增委派、上下文传递、状态、权限与完成契约。只有隔离、并行或独立归属带来的可测收益能够抵消额外调用和失败路径时，这层架构才值得采用。
Manager-as-Tools 与 Handoff 有什么区别？
在 Agents-as-Tools 模式中，Manager 保留任务所有权，把有边界的子任务交给专家并汇总最终回答；Handoff 则把当前控制权交给目标专家，下一阶段的指令和上下文通常也随之改变。两种模式的返回路径、权限和评测方法都不同。
多个 Agent 应该共享同一份记忆或上下文吗？
不应默认共享。接收方只获取完成任务所需的最小上下文和不可变产物引用。共享可变状态会产生竞态、隐藏耦合、隐私暴露和所有权不清。业务事实应保存在权威系统中，每个字段指定单一写入者，并通过 Checkpoint 或事件记录版本化变更。
哪些类型的任务最适合多智能体系统？
适合场景包括可并行的独立分支、必须隔离的权限或上下文、由不同团队负责的领域能力，以及需要独立证据的复核。固定且可预测的步骤通常更适合普通代码或确定性工作流；高度依赖同一上下文的任务拆分后反而可能更慢、更不可靠。
如何确保多智能体系统的可靠性并处理故障？
先定义任务与交接 schema、Agent 权限、截止时间、全局工作预算、停止条件、状态所有权和副作用幂等。仅重试已证明安全的操作，结果未知时回查权威系统，冲突或高影响动作升级人工。评测必须覆盖完整结果和执行轨迹，而不只是最终文本。