8.4 多体协作:多智能体框架实战

单体智能体受限于上下文窗口和角色的单一性,难以处理极其复杂的任务。这就好比一个人再厉害,也无法独自完成一部电影的拍摄。

多智能体系统(Multi-Agent System,简称 MAS)通过模拟人类团队的协作模式,让多个专注于不同领域的智能体共同解决问题。本节将通过实战案例,用两类代表性范式来理解多智能体框架:对话编排与角色任务编排。

8.4.1 对话编排范式:对话即计算

这类框架的核心特点是 对话即计算:智能体通过对话驱动任务推进,并结合受控执行环境实现“生成→执行→反馈→修复”的闭环。

核心概念:执行代理与规划代理

一种常见抽象是把系统拆成两个基本角色:

  1. 规划/生成代理:负责分析、规划与生成代码/操作。

  2. 执行代理:负责在沙箱中执行、收集结果与报错并回传。

工作流

  1. 任务:"请画一张股价走势图"。

  2. Assistant:生成一段 Python 代码。

  3. 执行代理:自动捕获代码,在受控沙箱中运行,报错提示“缺少依赖”。

  4. 执行代理:将报错信息发回给 Assistant。

  5. Assistant: "抱歉,我忘了安装库。这是修正后的代码..."

  6. 执行代理:运行成功,生成图表文件。

  7. 循环结束。

8.4.2 实战:构建自动编程团队

具体示例如下:

运行结果:PM 会先列出功能点,Coder 接着写代码,UserProxy 尝试运行,如果报错 Coder 会自动修。你会看到这三个"人"在屏幕上快速刷屏对话,最后直接在目录下生成一个可运行的 snake.py

8.4.3 角色任务编排范式:像导演一样编排团队

另一类框架更强调 角色扮演任务流编排:先定义谁做什么、每步交付什么,再把任务按顺序或层级组织起来。

核心概念:角色、任务、工作流

这类框架通常要求你先回答三个问题:

  1. Who:谁来做?例如角色、目标、背景设定。

  2. What:做什么?例如任务描述、预期输出。

  3. How:怎么配合?例如顺序式或层级式流程。

8.4.4 实战:构建市场调研团队

具体示例如下:

8.4.5 两类范式对比

维度
对话编排范式
角色任务编排范式

强项

生成-执行闭环、快速迭代修复

角色分工清晰、流程可控

交互模式

对话流(自由度高)

任务流(结构化更强)

底层

框架自带编排

依赖通用组件/生态

上手难度

取决于沙箱/工具链集成复杂度

取决于流程抽象与模板完善度

8.4.6 小结

多智能体系统不仅是"人多力量大",更是 分而治之 思想的体现。

  • 通过让 Researcher 专注搜索,Writer 专注写作,每个智能体的系统提示词 (System Prompt) 都可以更短、更聚焦,从而降低幻觉,提升质量。

  • 一类框架更偏“执行闭环”(写代码/跑代码/修复)。

  • 一类框架更偏“角色流程”(研究→写作→审阅→交付)。

下节将探讨如何将这些智能体集成到现有的企业系统中。


下一节: 8.5 企业级集成:与现有系统整合

Last updated