什么是 多智能体？
多智能体系统是一种 AI 架构：多个 Agent 通过明确的角色、消息、状态和权限边界协作，解决确实需要隔离、并行或独立归属的工作。
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 |
| 规范文档 | 官方规范 |
工作原理
多智能体系统是一笔工程权衡，不是单个 Agent 的自动升级。拆分任务可以隔离权限和上下文、并行真正独立的工作，或让不同团队拥有并评测边界清晰的能力；代价则是更多模型调用、协调延迟、状态冲突和调试成本。常见拓扑包括管理者-执行者、对等式和混合式。无论采用哪种通信方式，Agent 间都应传递带版本的结构化消息，把对方输出视为不可信输入，并以权威系统对齐易变事实。应先从单 Agent 或确定性工作流开始，只有收益可度量时才增加 Agent。
主要特点
- 具有独立上下文、工具集和权限边界的专业 Agent
- 每个 Agent 边界都需要结构化、带版本的消息和校验
- 管理者-执行者、对等式和混合式协调拓扑
- 明确状态所有权，并以权威系统处理事实冲突
- 覆盖完整执行轨迹的预算、重试、可观测性与评测
- 冲突或高影响操作的人工升级和审批路径
常见用途
- 实现、测试和审批权限相互隔离的软件交付流程
- 可通过并行独立研究缩短墙钟时间的调研任务
- 不同领域团队通过稳定契约分别拥有的业务自动化
- 需要独立证据或交叉审阅的分析任务
- 提取和分析角色需要独立治理的数据处理流水线
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 只有一份上下文、一套工具和一个控制循环；多智能体系统刻意把工作分给具有明确角色、消息、状态所有权和权限的多个 Agent。只有它能带来真实隔离、并行或独立归属时，拆分才有价值；同时它会增加协调成本、失败路径和 Trace 调试难度。
构建多智能体系统最流行的框架有哪些？
CrewAI 常用于快速搭建基于角色的流程；AutoGen 适合对话式协作；LangGraph 对状态、检查点和中断提供更强控制；OpenAI Agents SDK 则提供较小的、面向 Handoff 的原语。框架选择应由流程、失败策略、持久化和可观测性要求决定，而不应成为引入多 Agent 的理由。
多智能体系统中的智能体如何相互通信？
可以使用直接调用、广播、共享工作区或消息队列。消息应结构化、具有 Schema 版本、大小限制并完成认证。每条来自其他 Agent 的消息和工具结果都是不可信输入，接收边界必须校验并写入 Trace。共享记忆只能帮助协调，不能替代事实源。
哪些类型的任务最适合多智能体系统？
只有当单 Agent 是可度量的瓶颈时才应采用多智能体：某个专家确实需要独立权限边界、不同领域需要上下文隔离、独立子任务能够并行，或不同团队各自拥有不同能力。固定步骤序列通常更适合确定性编排，任务步骤多本身不是采用多 Agent 的理由。
如何确保多智能体系统的可靠性并处理故障？
可靠性从显式契约开始：每个 Agent 的权限、输入输出 Schema、超时、写操作幂等性、状态所有权、预算和停止条件。只有动作可以安全重试时才添加重试；结果应回查权威系统；冲突和高影响动作应升级人工。评测也要覆盖端到端结果和执行轨迹，而非只看每个 Agent 最终说了什么。