Skip to main content

9.7.1 多 Agent 路线图：角色、消息、负责人

多 Agent 是分工协作机制，不是几个聊天机器人互相聊天。只有当角色分离、并行处理、交叉检查或专家协作的收益超过协调成本时才值得使用。

先看协作成本​

多 Agent 协作消息流图

多 Agent 章节学习顺序图

多 Agent 协作与协调图

关键问题是：拆分工作的收益，是否超过消息、重复上下文、冲突和最终合并的成本？

跑一个角色边界检查​

每个角色都要有一个职责和一个产出。最终决策必须有一个负责人。

agents = {
    "researcher": "collect evidence",
    "editor": "rewrite content",
    "reviewer": "check beginner clarity",
}

final_owner = "reviewer"

print("agent_count:", len(agents))
for name, job in agents.items():
    print(f"{name}: {job}")
print("final_owner:", final_owner)

预期输出：

agent_count: 3
researcher: collect evidence
editor: rewrite content
reviewer: check beginner clarity
final_owner: reviewer

如果两个角色产出相同，就合并它们。如果没有最终负责人，系统会漂移。

按这个顺序学​

步骤阅读实操产出
1何时使用多 Agent写出什么时候单 Agent 更好
2常见模式比较 supervisor-executor、pipeline、debate、expert committee
3通信定义消息格式、共享状态和交接规则
4协调追踪负责人、队列、冲突规则和聚合方式
5实战与风险衡量成本、循环、重复工作和角色越权

通过标准​

如果一个 2 到 3 个 Agent 的 Demo 有可追踪输入、输出、交接、最终负责人，并能说明为什么它优于单 Agent，就通过了本章。