多智能体系统（Multi-Agent System）

多智能体系统（Multi-Agent System，MAS）指由多个独立、各有专长的 AI 智能体（Agent，能够自主调用工具完成任务的模型程序）组成的系统，它们通过通信与协调共同解决单个智能体难以处理的复杂任务。单智能体受限于上下文长度、单一视角与串行执行，遇到需要多种专业能力和交叉复核的任务就容易出错。多智能体用分工与互检换取可靠性与可扩展性，是当前智能体工程的主流架构方向。

为什么要多个智能体

• 专业分工：一个智能体很难同时精通编程、法律、设计与数据分析，拆分后每个角色都能聚焦
• 交叉复核：把写与查分开，审查角色专门找错，比自己检查更有效
• 可扩展：新增能力只需接入新智能体，不必重训系统或重写提示词
• 并行提速：独立子任务可同时执行，缩短整体耗时
• 隔离风险：高风险操作交给单独角色，便于收窄权限

常见架构模式

• 流水线（Pipeline）：前一个的输出作为后一个的输入，串行推进，如研究、写作、审校
• 轮流讨论（Round-Robin）：多个智能体依次发言、相互反驳与补充，逐步收敛
• 中心化（Centralized）：由一个协调者分配任务、汇总结果，最容易调试和加约束
• 去中心化（Decentralized）：智能体自主发现彼此、自由协商，灵活但行为难以预测
• 层级式（Hierarchical）：协调者之下再设子协调者，适合可以拆成任务树的大型工作

工作机制与典型应用

这类系统的核心机制是角色、消息与共享状态三件事：每个智能体有自己的系统提示词、工具集和记忆，消息在它们之间传递，进度存放在共享上下文或外部存储中。轮次如何结束、谁来判定完成、失败如何回退，是最容易失控的三个点，需要显式的终止条件与轮次上限。费用也要提前估算：每个智能体都消耗词元（Token），一个简单任务也可能触发十几次调用。常见落地场景包括软件开发的架构、前端、后端、测试与审查分工，客服的意图识别、知识库检索与工单处理串联，以及金融分析中的多角色协作。

框架选型与常见误区

• 主流框架：AutoGen、CrewAI、LangGraph 等在编排与状态管理上各有取舍
• 选型三问：能否回放消息、是否方便插入人工审批、状态能否持久化
• 为多而多：任务本身不复杂时，多智能体会放大延迟与成本，收益却很小
• 没有评测基线：应先跑通单智能体版本，用评测确认多智能体确实带来提升再上线