multi-agent-patterns

Multi-Agent Patterns - 多智能体架构模式指南

技能概述

Multi-Agent Patterns 提供多智能体架构设计的完整指南，涵盖 Supervisor、Peer-to-Peer 和分层架构三种核心模式，帮助您突破单智能体上下文限制，构建高效的分布式 AI 系统。

适用场景

1. 复杂任务的分布式处理

当单个智能体的上下文窗口无法容纳复杂任务所需的所有信息时，多智能体架构可以将任务分解为并行执行的子任务。每个子智能体拥有独立的上下文空间，专注于特定领域的推理和决策，最终由协调层汇总结果。

2. 需要专业化工具配置的场景

不同子任务往往需要不同的系统提示词和工具集。通用智能体必须携带所有可能的配置，而专用智能体只需携带相关配置。通过路由机制，将任务分配给配置最优化的专用智能体，提升整体效率。

3. 生产环境的企业级 AI 系统

构建需要同时处理多个领域、具备容错能力、可观测性要求高的生产级智能体系统。多智能体架构提供清晰的职责边界、独立的故障隔离和灵活的扩展能力。

核心功能

1. 三种架构模式详解

Supervisor/Orchestrator 模式: 中央协调器负责任务分解和结果聚合，适合需要严格工作流控制的场景。包含解决"传话游戏"问题的 forward_message 直接响应机制。

Peer-to-Peer/Swarm 模式: 去中心化的智能体间直接通信，基于预定义协议灵活切换控制权，适合探索性任务和动态需求场景。

分层架构模式: 战略层、规划层和执行层的金字塔结构，映射企业组织层级，适合大规模项目的目标管理与任务分解。

2. 上下文隔离设计原则

深入讲解三种隔离机制：完整上下文委托（适合复杂决策）、指令传递（适合明确定义的子任务）、文件系统记忆（适合复杂共享状态）。分析各方案的权衡取舍，指导根据任务复杂度和延迟要求选择合适策略。

3. 失败模式与缓解策略

系统化分析四大失败类型：Supervisor 瓶颈（通过输出模式约束和检查点缓解）、协调开销（通过最小化通信和异步模式缓解）、发散风险（通过目标边界和收敛检查缓解）、错误传播（通过输出验证和熔断机制缓解）。

常见问题

多智能体架构比单智能体优势在哪里？

核心优势是上下文隔离和并行推理。单智能体面对复杂任务时，上下文窗口会被历史记录、检索文档和工具输出填满，导致性能下降（lost-in-middle 效应）。多智能体系统将任务分配给多个独立上下文的智能体并行处理，既突破单上下文限制，又缩短总执行时间。研究数据显示，多智能体系统的 token 消耗约为单智能体的 15 倍，但换来了显著的性能提升和并行加速。

Supervisor 和 Peer-to-Peer 模式该怎么选？

选择取决于任务特性和控制需求：Supervisor 模式适合任务分解清晰、需要人工监督、要求严格工作流的场景，但要注意协调器可能成为瓶颈；Peer-to-Peer 模式适合需要灵活探索、刚性规划适得其反、需求动态变化的场景，但需要定义明确的切换协议防止发散。如果子智能体的响应需要保持原样传递给用户，务必实现 forward_message 机制避免"传话游戏"导致的信息失真。

LangGraph、AutoGen、CrewAI 应该选哪个框架？

这三个框架实现多智能体模式的理念不同：LangGraph 使用基于图的显式状态机，节点和边明确定义，适合需要精确控制状态流转的场景；AutoGen 采用对话式和事件驱动模式，GroupChat 支持自然的多智能体讨论；CrewAI 基于角色定义的层级流程，适合模拟组织结构的场景。选择时应考虑团队的技术栈、对状态控制的需求以及任务的自然结构。该技能提供了详细的框架实现参考文档。

---

技能边界: 本技能聚焦于架构设计原则和模式应用，不替代具体框架的 API 文档。多智能体系统会显著增加 token 消耗，建议在单智能体方案确实无法满足需求时再采用。