单 Agent 与多 Agent

一句话总结
当单个循环难以兼顾”既要规划、又要执行、还要审查”时，把职责拆给多个各有角色的 agent，通过编排拓扑（主从/网状/流水线/群聊）与通信机制（handoff/消息/共享状态）协作。多 agent 不总是更优——它用协调成本换分工与专注。

从单到多：为什么

单 agent 的瓶颈：

  • 上下文塞太多（既是程序员又是测试又是产品经理）→ 注意力稀释
  • 单一 prompt 难以同时是”创意发散”和”严格审查”
  • 难以并行

多 agent 的回报：专注（每个 agent 一个角色/一套工具/一段 prompt）、分工与并行、可组合。代价是协调开销与误差传播。

编排拓扑

拓扑形态代表框架
主从 / 层级（Supervisor）一个 orchestrator 派活给 worker，汇总结果Maestro、MetaGPT、LangGraph supervisor
网状 / 群（Swarm/Network）agent 之间对等，可互相 handoffSwarm、Swarms、agency-swarm
流水线（Sequential）A→B→C 顺序传递CrewAI sequential process、Haystack
群聊（Group Chat）多 agent 在共享会话里发言，由 manager 调度AutoGen、AG2
环境 / 沙盘（Environment）agent 在一个共享环境里行动（含仿真）AgentVerse

通信机制

  • Handoff（移交）：当前 agent 把控制权连同上下文交给另一个 agent（Swarm 的核心抽象——工具返回一个 agent 即转交）。
  • 消息传递（Messages）：agent 间发结构化消息，常配合群聊/黑板（AutoGen）。
  • 共享状态 / 黑板（Shared State）：所有 agent 读写同一份状态（LangGraph state、MetaGPT 的共享消息池）。
  • 跨进程 / 网络：agent 跑在不同终端/机器，用协议通信（hcom、Pilot Protocol、A2A）。

角色（Roles）

把人类组织搬进系统：MetaGPT 用”产品经理/架构师/工程师/QA”的 SOP；CrewAI 用 role+goal+backstory 定义每个 crew 成员。角色 = 专属 prompt + 专属工具集 + 在拓扑中的位置。

何时不要上多 agent

  • 任务能被单 agent + 好工具解决时，多 agent 只是徒增延迟与失败面。
  • 误差会沿链路传播放大；agent 越多越难调试。
  • 经验法则：先把单 agent 做到极致，再在确有分工收益处引入多 agent。

关键要点

  • 多 agent 的三要素：角色、拓扑、通信。
  • 拓扑选择本质是”集中控制 vs 分布自治”的权衡。
  • 落到组件即 multi-agent-orchestration；与 state-persistence（共享状态）强相关。

关联