多智能体协作（Multi-Agent Collaboration）| Agentic Design Patterns | 智能体设计模式

内容纲要

导语

单个智能体能力受限于单一模型，所有工具集中一处，单点故障导致系统崩溃。多智能体协作通过专业分工和协同工作，让多个专长不同的智能体组成团队，发挥各自优势，突破单智能体能力边界。本文介绍六大协作模式、通信架构、Google ADK 实现与实战案例，适合需要构建复杂智能体系统的架构师与开发者。

TL;DR

核心：多智能体协作是将系统组织为多个专长不同、相互协作的智能体团队，通过任务分解、专业分工和协同通信完成复杂任务。
价值：各智能体发挥专长、工具按职责分组、故障隔离系统鲁棒、模块化易扩展、多任务并行执行。
模式：顺序交接、并行处理、辩论与共识、层级结构、专家团队、评审者模式。
架构：单智能体、网络模型、监督者模型、层级模型、自定义模型。
框架：CrewAI（高层抽象）、LangGraph（可视化流程）、Google ADK（丰富编排模式）、AutoGen（对话式协作）。

是什么：多智能体协作的核心定义

多智能体协作（Multi-Agent Collaboration）：将系统组织为多个专长不同、相互协作的智能体组成的团队，通过任务分解、专业分工和协同通信，共同完成单个智能体无法处理的复杂任务。

关键机制（四步流程）：

1. 任务分解 → 高层目标拆解为子问题
2. 角色分配 → 每个智能体负责特定职责
3. 协同通信 → 标准化通信协议
4. 结果整合 → 汇总各智能体输出

三大核心要素：

明确的角色和职责
智能体间的通信通道
任务流程或交互协议

可视化示意图：

图1：多智能体系统示例 - 展示多个智能体协同工作的架构

读图要点：不同智能体负责不同专业领域，通过通信协议协同完成复杂任务。

图2：智能体以各种方式进行通信和交互 - 展示不同的通信模式

图3：多智能体设计模式 - 从任务分解到结果整合的完整流程

常见误解澄清：

❌ 智能体数量越多越好：过多智能体会增加通信开销和协调复杂度，遵循"最小有效分工"原则。
❌ 所有任务都需要多智能体：简单任务用单智能体即可，复杂任务才需要多智能体协作。
❌ 多智能体会增加很多延迟：顺序模式会增加延迟，但并行模式可以减少总时间。

为什么：产生背景与适用场景

产生背景

单智能体的局限：

能力受限于单一模型：所有能力集中在一个模型上。
所有工具集中在一处：工具管理复杂，难以扩展。
单点故障导致系统崩溃：一个智能体失败，整个系统不可用。
难以扩展：添加新功能需要修改整个系统。
无法并行处理：只能顺序执行任务。

多智能体的优势：

✅ 各智能体发挥专长
✅ 工具按职责分组
✅ 故障隔离，系统鲁棒
✅ 模块化，易扩展
✅ 多任务并行执行

核心思想：分工合作，发挥协同效应，整体大于部分之和。

协作模式类型

1. 顺序交接（Sequential Handoffs）

智能体A → 处理 → 输出 → 智能体B → 处理 → 输出 → 智能体C

示例：研究员收集数据 → 分析师处理数据 → 编辑撰写报告

价值：管道式工作流，每步输出是下步输入。

2. 并行处理（Parallel Processing）

               → 智能体A →
任务 → 分解    → 智能体B → 合并结果
               → 智能体C →

示例：同时获取天气、新闻、股票数据，最后汇总

价值：加速处理，节省时间。

3. 辩论与共识（Debate and Consensus）

智能体A、B、C → 各自观点 → 讨论交流 → 达成共识

示例：多个专家智能体对决策方案进行评估和辩论

价值：多视角评估，决策更可靠。

4. 层级结构（Hierarchical）

        管理智能体
       /     |      \
    子管理  子管理  子管理
    /  \    /  \    /  \
   执行 执行 执行 执行 执行 执行

示例：CEO → 部门经理 → 员工

价值：分层管理，适合大规模复杂任务。

5. 专家团队（Expert Teams）

任务 → 研究专家 + 写作专家 + 编辑专家 → 协同产出

示例：市场研究员 + 文案 + 设计师 + 社媒专员

价值：专业领域深度协作。

6. 评审者模式（Critic-Reviewer）

创作智能体 → 初稿 → 评审智能体 → 反馈 → 修改 → 最终版

示例：代码生成 → 安全审查 → 质量检查 → 修正

价值：提高质量，减少幻觉和错误。

怎么做：通信架构与 Google ADK 实现

通信架构模型

模型	特点	优势	劣势	适用场景
单智能体	独立运行	简单易管理	能力受限	独立子问题
网络模型	点对点通信	去中心化，鲁棒	通信开销大	弹性要求高
监督者模型	中心协调者	清晰权责	单点故障，瓶颈	需集中控制
监督者作为工具	提供资源支持	灵活，非强制	协调力度弱	辅助型协作
层级模型	多层管理	可扩展，分布决策	复杂度高	大规模系统
自定义模型	按需设计	极致灵活	设计难度大	特殊场景

Google ADK 协作模式实现

1. 层级结构（Hierarchical）

coordinator = LlmAgent(
    name=&quot;Coordinator&quot;,
    model=&quot;gemini-2.0-flash-exp&quot;,
    instruction=&quot;协调子智能体工作&quot;,
    sub_agents=[greeter, task_doer]  # 父子关系
)

价值：父智能体动态委派任务给子智能体。

2. 循环执行（LoopAgent）

poller = LoopAgent(
    name=&quot;StatusPoller&quot;,
    max_iterations=10,
    sub_agents=[process_step, ConditionChecker()]
)

价值：迭代执行直到满足条件。

3. 顺序执行（SequentialAgent）

pipeline = SequentialAgent(
    name=&quot;MyPipeline&quot;,
    sub_agents=[step1, step2]  # step1输出→step2输入
)

价值：线性工作流，数据流式传递。

4. 并行执行（ParallelAgent）

data_gatherer = ParallelAgent(
    name=&quot;data_gatherer&quot;,
    sub_agents=[weather_fetcher, news_fetcher]
)

价值：多个任务同时执行，结果汇总。

5. 智能体作为工具（Agent as Tool）

image_tool = agent_tool.AgentTool(
    agent=image_generator_agent,
    description=&quot;生成图像的工具&quot;
)
artist_agent = LlmAgent(
    name=&quot;Artist&quot;,
    tools=[image_tool]  # 将另一个智能体当工具使用
)

价值：智能体可以像调用函数一样调用其他智能体。

对比与取舍：主流框架选型

框架对比表

框架	协作实现	特色	适用场景
CrewAI	<code>Crew</code> + <code>Process.sequential/hierarchical</code>	高层抽象，易用	快速原型，内容生成
LangGraph	图结构节点	可视化流程	复杂工作流
Google ADK	<code>SequentialAgent</code>, <code>ParallelAgent</code>, <code>LoopAgent</code>	丰富的编排模式	企业级应用
AutoGen	对话式协作	自主对话交互	研究实验

选型建议

选择 CrewAI 如果：

需要快速原型开发
内容生成类任务
高层抽象足够

选择 LangGraph 如果：

需要可视化工作流
复杂状态转换
需要精确控制

选择 Google ADK 如果：

使用 Google Cloud 服务
企业级集成需求
需要丰富的编排模式

选择 AutoGen 如果：

研究实验场景
需要自主对话交互
探索性项目

常见错误与排错

典型坑位

问题	症状	识别方法	修复建议
通信混乱	智能体间信息传递错误	检查通信格式和协议	明确角色和职责，使用标准化通信格式
智能体数量过多	通信开销大，协调复杂	检查智能体数量	遵循"最小有效分工"原则
单点故障	关键智能体失败导致系统崩溃	检查故障隔离机制	设计故障隔离，关键智能体要有备份
依赖关系混乱	执行顺序错误	检查依赖关系	明确依赖关系，按顺序执行

调试技巧

明确角色和职责：每个智能体的职责要清晰且不重叠。
使用标准化通信格式：定义清晰的交互协议。
利用框架提供的编排工具：使用框架内置的协作模式。
记录通信过程：记录智能体间的通信，便于调试。

FAQ

Q1：什么时候用多智能体？
A：当任务复杂到需要多种专业技能、多个阶段、或能从并行处理中受益时。单智能体搞不定，就考虑多智能体。

Q2：多智能体会增加延迟吗？
A：顺序模式会增加（串行调用），但并行模式可以减少总时间。权衡取舍。

Q3：如何避免智能体间通信混乱？
A：1) 明确角色和职责；2) 使用标准化通信格式；3) 定义清晰的交互协议；4) 利用框架提供的编排工具。

Q4：智能体数量越多越好吗？
A：不是。过多智能体会增加通信开销和协调复杂度。遵循"最小有效分工"原则。

Q5：如何处理智能体故障？
A：1) 设计故障隔离机制；2) 关键智能体要有备份；3) 实现降级策略；4) 监控和自动重试。

Q6：层级 vs 网络，选哪个？
A：

层级：任务明确，需要集中控制
网络：弹性优先，去中心化场景

延伸阅读与引用

学术论文

Multi-Agent Collaboration Mechanisms: A Survey of LLMs

技术文章

Multi-Agent System — The Power of Collaboration

总结

多智能体协作是突破单智能体能力边界的核心模式。通过专业分工、协同通信和结果整合，多个智能体可以共同完成单个智能体无法处理的复杂任务。六大协作模式（顺序交接、并行处理、辩论与共识、层级结构、专家团队、评审者模式）和多种通信架构（网络、监督者、层级）为不同场景提供了灵活的选择。

导语