9.3 多智能体上下文传递

9.3.1 多智能体系统概述

多智能体系统由多个协作的智能体组成，每个智能体专注于特定能力或任务。

9.3.2 上下文传递的挑战

• 上下文膨胀：如果每个智能体都接收完整上下文，Token 消耗会快速增长

• 信息干扰：无关智能体的信息可能干扰当前智能体的判断

• 一致性维护：多个智能体需要对共享信息有一致的理解

9.3.3 上下文共享机制

1. 共享黑板模式 (Shared Blackboard)

引入一个共享记忆库或"黑板"，所有智能体都可以读取和写入这个公共空间。

• 工作方式：智能体 A 将发现的证据写入黑板，智能体 B 读取并推理。

• 一致性：通过访问控制和版本管理维护一致性。

• 优点：信息同步快，避免点对点通信的复杂度。

• 缺点：需要处理并发写入冲突。

2. 通信对话模式 (Message Passing)

智能体之间直接发送消息交换上下文。

• 工作方式：智能体 A 发送消息给智能体 B："请根据这些数据生成图表"。

• 优点：明确的责任链，点对点隔离。

• 缺点：通信链路可能复杂，长链条导致信息衰减。

9.3.4 高级协作模式：Chain-of-Agents

Google 提出的 Chain-of-Agents (CoA) 框架专门解决长上下文协作问题，通过让多个智能体 "接力"阅读和处理。

这种模式让上下文在智能体链中逐步传递和累积，而非一次性填满单个智能体的窗口，有效突破了单模型上下文限制。

9.3.5 上下文传递策略

最小必要原则

只传递智能体完成任务所需的最小信息：

def prepare_context_for_agent(agent, task, full_context):
    relevant = extract_relevant(full_context, agent.expertise)
    task_specific = format_task(task)
    tools = agent.available_tools
    
    return compose(relevant, task_specific, tools)

角色专属记忆 (Intrinsic Memory)

为每个智能体维护结构化的角色专属记忆。

• 私有记忆：只保存与自身角色相关的对话和结论。

• 视角隔离：智能体 A 看到的上下文强调数据分析视角，智能体 B 强调代码实现视角。

• 优势：减少干扰，保持角色一致性。

接口抽象

定义清晰的信息传递接口：

{
  "from": "researcher",
  "to": "coder",
  "message_type": "task_handoff",
  "content": {
    "summary": "用户需要一个日历功能",
    "requirements": ["添加事件", "提醒功能"],
    "constraints": ["使用 Python", "无需数据库"]
  }
}

9.3.6 共享状态管理

多智能体需要共享的状态：

{
  "global_state": {
    "task_id": "task_123",
    "overall_progress": "50%",
    "key_decisions": [...],
    "artifacts": [...],
    "blocking_issues": []
  }
}

9.3.7 调试与追踪

多智能体系统交互复杂，需要完善的追踪机制：

1. 消息日志

记录所有智能体间的通信。每一个消息的发送者、接收者、时间戳、内容类型和Payload都应被完整记录。这不仅用于排查错误，也是分析智能体协作模式和效率的重要数据源。

2. 上下文快照

关键节点的上下文状态。在任务的关键转折点（如子任务完成、决策变更时），保存各个智能体的上下文快照。这允许开发者"时光倒流"，查看系统在特定时刻的全局状态，复现 Bug。

3. 决策追踪

每个智能体的决策依据。智能体为什么采取这个行动？是基于哪条上下文信息？使用了哪个 Prompt？记录 ReAct 循环中的 "Thought" 过程，使智能体的行为透明可解释。

4. 性能指标

上下文大小、传递延迟。监控上下文在传递过程中的膨胀情况，以及智能体之间的通信延迟。通过可视化图表识别瓶颈：是某个智能体处理太慢，还是上下文过大导致传输耗时？

9.3.8 主流多智能体框架

现代多智能体开发通常基于成熟的框架：

框架	核心特点	适用场景	上下文管理
LangGraph	基于图的控制流，强大的状态管理	企业级工作流	显式状态机，支持检查点
CrewAI	角色驱动，极易上手	快速原型，团队协作	角色专属记忆
AutoGen	对话驱动，代码执行能力强	复杂问题解决	会话历史管理
Swarm	轻量级，Handoff 模式	探索性实验	最小化手动管理

选择建议：

• 需要精细控制 → LangGraph

• 快速构建 → CrewAI

• 代码密集型任务 → AutoGen

• 简单探索 → Swarm

9.3.9 子智能体架构与上下文隔离

子智能体架构不仅是任务分解工具，更是上下文管理策略。

上下文隔离的价值

问题：单一智能体执行复杂任务时，上下文会被多个子任务的细节污染，导致：

• 上下文腐烂（Context Rot）

• 注意力分散

• 决策质量下降

解决方案：将独立子任务委派给专用子智能体，每个子智能体有自己的上下文窗口。

关键洞察：主智能体只接收子任务的摘要结果，而非全部细节。

Anthropic 多智能体研究系统案例

Anthropic 构建的多智能体研究系统展示了这一架构的实际应用：

系统组成：

• 主智能体（Lead）：规划研究方向、综合结果、撰写最终报告

• 搜索子智能体：执行网络搜索，返回关键发现

• 阅读子智能体：深度阅读文档，提取相关段落

上下文隔离效果：

• 搜索智能体处理数百个搜索结果 → 只返回 10 个最相关的

• 阅读智能体处理 100 页 PDF → 只返回 3 段关键内容

• 主智能体上下文保持清晰，专注于高层决策

数据对比：

场景	单智能体上下文	多智能体架构
研究 10 个网站	~500K Token	~50K Token
分析 5 份报告	~300K Token	~30K Token
综合生成报告	上下文溢出风险	轻松完成

何时使用子智能体

• 并行探索：需要同时调研多个方向

• 专门技能：特定子任务需要专用工具或提示词

• 上下文隔离：子任务产生大量中间数据

• 风险控制：子任务失败不应影响主任务

重要提示：子智能体增加了系统复杂度和延迟。只在上下文污染成为问题时使用，避免过度设计。