第 17 章：多 Agent 协作

这是《LLM 应用开发 零基础实战指南》的独立章节版。本章从概念、实操和生产排查三个视角展开，代码块保留了原书可直接运行的版本。 多 Agent 不是把模型多调几次就叫协作，而是把复杂任务拆给不同角色，通过明确的通信协议、共享状态和决策边界完成工作。它适合大型任务，也带来更高成本和更难的排查。

17.1 何时需要多 Agent

引入多 Agent 前先问：

1. 单 Agent 是否已经足够；
2. 上下文是否会互相污染；
3. 是否需要不同工具权限；
4. 是否需要并行工作；
5. 失败时如何归因；
6. 成本预算是否明确。

17.2 常见拓扑

Supervisor
  |-- Researcher
  |-- Analyst
  |-- Writer
  +-- Reviewer

生产系统推荐 Supervisor 或 Pipeline，便于权限、预算和审计。

17.3 消息协议

{
  "message_id": "m-001",
  "run_id": "run-100",
  "from": "researcher",
  "to": "analyst",
  "type": "artifact",
  "content": "已收集 12 篇官方文档链接",
  "artifacts": ["research-notes.md"],
  "status": "done",
  "budget_used": 4200
}

消息类型：

消息要持久化，支持回放和恢复。

17.4 共享状态

from dataclasses import dataclass, field

@dataclass
class SharedState:
    run_id: str
    goal: str
    constraints: list[str]
    artifacts: dict[str, str] = field(default_factory=dict)
    decisions: list[dict] = field(default_factory=list)
    agent_status: dict[str, str] = field(default_factory=dict)
    revision: int = 0

状态管理规则：

1. 产物写对象存储，状态存引用；
2. 每次更新带版本；
3. 并发写入要加锁或队列；
4. 保留决策原因；
5. 支持从最近一致状态恢复。

17.5 角色设计

示例代码任务：

角色隔离的价值是权限最小化：检索 Agent 不应拥有写权限，测试 Agent 不应访问生产网络。

17.6 协作流程

Goal
  -> Planner 生成任务
     -> Researcher 并行收集
        -> Analyst 汇总
           -> Writer 输出草稿
              -> Reviewer 检查
                 -> Coordinator 接受 / 退回 / 终止

退回规则：

1. 限制最大修订轮数；
2. 明确退回原因；
3. 只退回相关角色；
4. 保留每版产物；
5. 连续失败转人工；
6. 不允许 Agent 互相降低安全要求。

17.7 并发与一致性

并行收集可以降低耗时：

import asyncio

async def run_agents(agents, task):
    results = await asyncio.gather(
        *[agent.run(task) for agent in agents],
        return_exceptions=True,
    )
    return results

注意：

1. 数据库写入需要幂等；
2. 文件冲突需要锁；
3. 外部 API 限流；
4. 一个 Agent 失败不一定要终止全部；
5. 汇总前检查产物完整性。

17.8 成本控制

多 Agent 成本容易放大：

总成本 = 每个 Agent token + 共享上下文复制 + 重试 + 评审轮次

控制手段：

1. 角色使用合适模型；
2. 传递摘要而非完整历史；
3. 工具产物外置；
4. 限制轮次和人数；
5. 缓存公共研究结果；
6. 简单任务降级单 Agent；
7. 设置单任务金额上限。

17.9 调试与观测

Trace 示例：

run-100
  |-- planner message
  |-- researcher A tool calls
  |-- researcher B tool calls
  |-- analyst synthesis
  |-- reviewer comments
  +-- final artifact

关键指标：

17.10 反模式

本章小结

多 Agent 通过角色分工、受限通信和共享状态处理复杂任务。生产推荐 Supervisor 或 Pipeline 拓扑，严格隔离工具权限，控制轮次和成本，并保存完整消息链用于回放。先用简单架构解决问题，再按需求引入多 Agent。

思考题

1. 什么时候多 Agent 优于单 Agent？
2. Supervisor 拓扑为什么更容易治理？
3. 多 Agent 消息为什么要持久化？
4. 如何避免多 Agent 成本放大？
5. 多 Agent 系统的最终质量由谁保证？