本文探讨了在构建复杂AI系统时，何时从单智能体架构转向多智能体架构的必要性，并详细介绍了五种多智能体设计模式：子智能体、移交、技能、路由和自定义工作流。文章强调了上下文管理、分布式开发和任务并行化是引入多智能体架构的核心驱动力，并通过Handoffs模式的实战案例展示了如何实现上下文工程。最后，文章提出了根据不同需求选择合适模式的选型原则，旨在帮助开发者更高效地设计AI系统。

---

01 前言

在构建复杂的 AI 系统时，架构设计的原则依然适用：如果单智能体（Single Agent）配合合适的提示词和工具就能解决问题，请永远优先选择单智能体。单智能体架构简单、调试容易且 Token 成本更低。

然而，当单Agent达到极限——例如 Agent 需要处理几十个工具导致决策失误，或是在庞大的上下文中迷失方向时，我们才真正需要引入多智能体架构。

02 核心驱动

引入多智能体架构的核心驱动力在于以下三个方面：

1、上下文管理（Context Management）：

现实中上下文窗口并非无限，多智能体允许进行上下文隔离，只向特定 Agent 展示其所需的专门知识，避免模型被冗余信息淹没。

2、分布式开发（Distributed Development）

允许不同团队独立开发和维护各自的子智能体（如“搜索 Agent”和“写入 Agent”），最后通过清晰的边界组合成大系统。

3、任务并行化（Parallelization）

可以同时启动多个专门的 worker 并发执行子任务（如并行调研不同主题），大幅提高系统响应速度。

03 多智能体架构

根据 LangChain 官方实践，多智能体设计主要分为以下五种模式。

1、子智能体模式 (Subagents)

一个中心化的**主智能体（Supervisor）**通过将子智能体作为“工具”来协调它们。主智能体决定调用哪个子智能体、提供什么输入，并负责汇总结果。

**使用场景：**个人助理系统，主 Agent 根据需求分别调用“日历 Agent”和“邮件 Agent”。

核心特点：

• 中心化控制：所有路由都经过主智能体，由其进行跨轮次的动态调度。

• 上下文隔离：子智能体在干净的窗口运行，完成后仅返回结果，防止主对话历史过于臃肿。

• 并行执行：主智能体可以在单次交互中并行调用多个子智能体执行独立任务。

2、移交模式 (Handoffs)

控制权在 Agent 间动态转移。工具调用会更新状态变量（如 active_agent变量），系统依据该变量切换不同的 Agent 或调整配置。

使用场景：客服流程中，基础客服在验证身份后，将赔偿问题转交给“销售专家”。

核心特点：

• 状态驱动：行为系统的行为和配置根据当前的状态变量动态调整。

• 持久化状态：状态信息在对话轮次之间持久存在，支持复杂的长程对话流。

• 顺序约束：适合强制执行特定阶段的流程，只有满足前置条件（如输入保修 ID）才解锁后续能力。

3、技能模式 (Skills)

单一 Agent 保持控制权，但根据上下文按需加载专门的提示词和领域知识（渐进式披露）。

为什么把Skills列为一种架构模式呢？

Skills的渐进式披露机制规避了初始 Prompt 过长导致的注意力涣散，本质是将能力模块化为可组合的工具单元，让 Agent 能按需调用，从而形成“能力编排”的结构，而不是单一流程。

使用场景：全能编程助手，根据用户询问的语言（如 Python 或 Rust）动态加载对应的技术文档。

核心特点：

• 提示词驱动特化：技能本质上是包装好的专门提示词，用于增强 Agent 行为。

• 渐进式披露：技能仅在需要时被检索并加载，保持系统初始运行的轻量化。

• 分形设计支持：技能可以定义嵌套的子技能，形成树状结构的专业知识组织。

4、路由模式 (Router)

通过分类步骤（通常是单一 LLM 调用）识别用户意图，并将请求引导至零个或多个垂直领域 Agent，最后汇总结果。

**使用场景：**多源知识库查询，同时从 GitHub、Notion 和 Slack 获取信息并合成答案。

核心特点：

• 查询拆解与分发：路由步骤负责将复杂查询分解并分派给最合适的专业节点。

• 并行扇出：支持同时调用多个子 Agent 并行处理，显著降低整体延迟。

• 合成回复：所有并行分支的结果最终由一个节点合成连贯、统一的最终回答。

5、自定义工作流 (Custom Workflow)

使用 LangGraph 完全自主定义执行流，混合确定性逻辑（代码）和智能体行为，支持循环和条件分支。

使用场景：评估者-优化者 (Evaluator-Optimizer) 模式，一个节点生成结果，另一个评估其质量，未通过则循环重试。

核心特点：

• 完全的结构控制：开发者拥有对图结构的绝对控制权，可定义任意的循环、分支和并行路径。

• 确定性与动态性结合：能够将严谨的代码步骤与动态的 LLM 推理节点无缝缝合

• 模式组合：支持将上述子智能体、路由等模式作为工作流中的一个节点进行嵌套使用。

04 实战 - Handoffs模式实现

Handoffs 的核心技术难点在于上下文工程**（****Context Engineering）**。当从 Agent A 切换到 Agent B 时，必须确保对话历史的完整性。

一个示例：

import os
from typing import List, Literal, Optional
from pydantic import BaseModel
from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage
# =========================
# 1. 定义结构化输出
# =========================
classAgentDecision(BaseModel):
"""
action:
- respond: 直接回复用户
- handoff: 转接给另一个 agent
target:
- Sales / Support（转接目标）
content:
- 回复内容（当 action=respond 时使用）
"""
action: Literal["respond", "handoff"]
target: Optional[Literal["Sales", "Support"]] = None
content: Optional[str] = None
# =========================
# 2. 初始化模型
# =========================
os.environ["DEEPSEEK_API_KEY"] = "sk-..."
base_llm = init_chat_model(
model="deepseek-chat",
temperature=0
)
# 👇 结构化输出模型
decision_llm = base_llm.with_structured_output(AgentDecision)
# =========================
# 3. Support Agent
# =========================
defsupport_agent(messages: List):
"""
客服：
- 普通问题直接回答
- 涉及退款 / 赔偿 / 商务 → 转 Sales
"""
decision = decision_llm.invoke(
[
SystemMessage(
content=(
"你是客服（Support）。\n\n"
"规则：\n"
"1. 普通咨询 → respond\n"
"2. 涉及退款、赔偿、补偿、价格、商务 → handoff 到 Sales\n\n"
"必须严格输出结构化结果。"
)
)
] + messages
)
return decision
# =========================
# 4. Sales Agent（支持转回）
# =========================
defsales_agent(messages: List):
"""
销售：
- 处理赔偿 / 退款 / 商务
- 如果问题变回普通咨询 → 转回 Support
"""
decision = decision_llm.invoke(
[
SystemMessage(
content=(
"你是销售（Sales）。\n\n"
"规则：\n"
"1. 赔偿 / 退款 / 价格 → respond\n"
"2. 普通使用问题 / 技术问题 → handoff 到 Support\n\n"
"必须严格输出结构化结果。"
)
)
] + messages
)
return decision
# =========================
# 5. 会话状态
# =========================
state = {
"messages": [],
"current_agent": "Support"
}
# =========================
# 6. 单轮执行（核心）
# =========================
defrun_turn(user_input: str):
"""
多 Agent 执行流程：
1. 当前 agent 做决策
2. 如果 handoff → 切换 agent
3. 再执行一次（直到得到 respond）
"""
state["messages"].append(HumanMessage(content=user_input))
whileTrue:
# ===== 当前是 Support =====
if state["current_agent"] == "Support":
decision = support_agent(state["messages"])
# ===== 当前是 Sales =====
else:
decision = sales_agent(state["messages"])
# ====== 如果需要转接 ======
if decision.action == "handoff":
print(f"👉 转接到 {decision.target}")
state["current_agent"] = decision.target
# ⚠️ 注意：continue 重新让新 agent 决策
continue
# ====== 如果是正常回复 ======
else:
response = AIMessage(content=decision.content)
state["messages"].append(response)
return response
# =========================
# 7. 运行
# =========================
if __name__ == "__main__":
print("输入 exit 退出\n")
whileTrue:
user_input = input("用户：")
if user_input.lower() in ["exit", "quit"]:
break
resp = run_turn(user_input)
print("AI：", resp.content)
print("当前Agent：", state["current_agent"])

示例首先定义了AgentDecision模型，用于结构化输出；然后初始化LLM，这里用的DeepSeek，并绑定结构化输出；定义两个Agent客户和销售；然后定义state记录会话内容：消息和当前的agent；最后定义执行流程和流转逻辑，并通过模型输出来判断下一步的Agent，这里状态会记录当前Agent，下一轮会默认进入该Agent。

测试输入和输出示例如下，省略了AI输出内容：

用户：你们这个套餐多少钱？
👉 转接到 Sales
AI： 省略AI输出
当前Agent： Sales
用户：这个功能怎么开启？
👉 转接到 Support
AI： 省略AI输出
当前Agent： Support
用户：如果买企业版可以便宜点吗？
👉 转接到 Sales
AI： 省略AI输出
当前Agent： Sales

核心流程图如下：

05 总结

掌握多智能体架构，本质上是学会用代码定义 AI 的思考路径。

在选型时请参考以下选型原则：

• 如果追求重复请求的高效能：选择 Handoffs 或Skills，它们通过持久化状态可节省约 40-50% 的模型调用。
• 如果需要多领域并行研究：选择 Subagents 或Router，它们在处理多语言对比等任务时，能通过上下文隔离节省约 60% 的 Token 消耗。
• 如果流程极其严谨且复杂：选择 Custom Workflow，利用其对确定性步骤（如评估、过滤）的掌控力来确保系统安全可控。

AI行业迎来前所未有的爆发式增长：从DeepSeek百万年薪招聘AI研究员，到百度、阿里、腾讯等大厂疯狂布局AI Agent，再到国家政策大力扶持数字经济和AI人才培养，所有信号都在告诉我们：AI的黄金十年，真的来了！

在行业火爆之下，AI人才争夺战也日趋白热化，其就业前景一片蓝海！

我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓

人才缺口巨大

人力资源社会保障部有关报告显示，据测算，当前，****我国人工智能人才缺口超过500万，****供求比例达1∶10。脉脉最新数据也显示：AI新发岗位量较去年初暴增29倍，超1000家AI企业释放7.2万+岗位……

单拿今年的秋招来说，各互联网大厂释放出来的招聘信息中，我们就能感受到AI浪潮，比如百度90%的技术岗都与AI相关！

就业薪资超高

在旺盛的市场需求下，AI岗位不仅招聘量大，薪资待遇更是“一骑绝尘”。企业为抢AI核心人才，薪资给的非常慷慨，过去一年，懂AI的人才普遍涨薪40%+！

脉脉高聘发布的《2025年度人才迁徙报告》显示，在2025年1月-10月的高薪岗位Top20排行中，AI相关岗位占了绝大多数，并且平均薪资月薪都超过6w！

在去年的秋招中，小红书给算法相关岗位的薪资为50k起，字节开出228万元的超高年薪，据《2025年秋季校园招聘白皮书》，AI算法类平均年薪达36.9万，遥遥领先其他行业！

总结来说，当前人工智能岗位需求多，薪资高，前景好。在职场里，选对赛道就能赢在起跑线。抓住AI风口，轻松实现高薪就业！

但现实却是，仍有很多同学不知道如何抓住AI机遇，会遇到很多就业难题，比如：

❌ 技术过时：只会CRUD的开发者，在AI浪潮中沦为“职场裸奔者”；

❌ 薪资停滞：初级岗位内卷到白菜价，传统开发3年经验薪资涨幅不足15%；

❌ 转型无门：想学AI却找不到系统路径，83%自学党中途放弃。

他们的就业难题解决问题的关键在于：不仅要选对赛道，更要跟对老师！

我给大家准备了一份全套的《AI大模型零基础入门+进阶学习资源包》，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。😝有需要的小伙伴，可以VＸ扫描下方二维码免费领取🆓

​