常见多智能体（Multi-Agent）架构详解

随着大语言模型（LLM）能力不断增强，越来越多复杂系统开始从“单智能体（Single Agent）”演进到“多智能体（Multi-Agent）”。

尤其是在：

• AI 自动化
• AI Coding
• 企业工作流
• AI 运维
• AI Agent 平台
• AI Research System

等领域，多智能体架构已经成为核心设计方向。

本文将系统介绍：

• 什么是多智能体
• 为什么需要多智能体
• 常见多智能体架构
• 各架构优缺点
• 实际应用场景
• 如何选择架构

---

一、什么是多智能体（Multi-Agent）

多智能体系统（MAS，Multi-Agent System）：

指的是：

多个 AI Agent 协同完成任务的系统。

每个 Agent：

• 有自己的职责
• 有自己的上下文
• 有自己的工具
• 有自己的推理能力

它们之间通过：

• 消息
• 状态
• 任务
• 事件

进行协作。

---

二、为什么需要多智能体

单 Agent 在复杂任务中容易出现：

问题	说明
上下文过大	prompt 爆炸
工具混乱	tool selection 不稳定
推理能力下降	任务太复杂
状态难维护	长链路难跟踪
并发能力弱	无法分工
可观测性差	难定位问题

因此：

现代 AI 系统开始：

“拆分 Agent 职责”

类似于：

• 微服务
• 分布式系统
• Actor Model
• Unix Philosophy

---

三、多智能体核心思想

核心原则：

1. 专业化（Specialization）

不同 Agent 负责不同领域：

例如：

Agent	职责
Planner	任务规划
Researcher	搜索资料
Coder	写代码
Reviewer	审查代码
Executor	执行命令
Memory Agent	管理记忆

---

2. 协作（Collaboration）

Agent 之间互相通信：

• request/reply
• event
• task delegation

---

3. 去中心化（Decentralization）

有些系统没有“总控 Agent”。

而是：

Agent 自组织协作。

---

4. 状态共享（Shared State）

Agent 共享：

• memory
• vector DB
• blackboard
• workflow state

---

四、常见多智能体架构

---

1. Supervisor（主管）架构

这是最常见架构。

架构图

               +----------------+
               |  Supervisor    |
               +----------------+
                  /    |    \
                 /     |     \
                v      v      v
         +--------+ +--------+ +--------+
         | AgentA | | AgentB | | AgentC |
         +--------+ +--------+ +--------+

---

工作流程

Supervisor：

• 接收用户请求
• 拆解任务
• 分配任务
• 聚合结果
• 返回最终答案

子 Agent：

• 只负责特定能力

---

示例

例如：

用户：

“帮我分析 Kubernetes 集群问题”

Supervisor：

拆解：

Agent	工作
Log Agent	分析日志
Metrics Agent	分析监控
K8s Agent	检查资源
Security Agent	检查 RBAC

最后：

Supervisor 汇总。

---

优点

优点	说明
易理解	类似经理模式
易控制	中心化管理
易监控	可观测性好
易权限隔离	子 Agent 权限独立

---

缺点

缺点	说明
Supervisor 容易成为瓶颈	单点问题
可扩展性有限	中心调度压力大
上下文容易集中	token 消耗高

---

适合场景

适用于：

• 企业 AI Assistant
• AI 运维
• AI 客服
• 工作流系统

---

2. Planner-Executor 架构

这是 AutoGPT 类系统常见模式。

---

架构图

+---------+
| Planner |
+---------+
     |
     v
+---------+
| Executor|
+---------+

扩展后：

+---------+
| Planner |
+---------+
   / | \
  v  v  v
Exec Exec Exec

---

工作流程

Planner：

• 分解步骤
• 制定计划

Executor：

• 执行任务
• 调用工具
• 返回结果

---

特点

本质：

“思考”和“执行”分离。

---

优点

优点	说明
推理更清晰	减少混乱
执行更稳定	Executor prompt 更小
易扩展	Executor 可水平扩容

---

缺点

缺点	说明
Planner 容易幻觉	错误计划
长链路容易漂移	step 偏离
计划维护复杂	动态调整困难

---

适用场景

适用于：

• AI Coding
• 自动化流程
• Browser Agent
• Tool Agent

---

3. Blackboard（黑板）架构

经典 AI 架构。

---

架构图

        +------------------+
        | Shared Blackboard|
        +------------------+
          ^    ^    ^    ^
          |    |    |    |
       Agent Agent Agent Agent

---

核心思想

所有 Agent：

• 不直接通信
• 都读写共享黑板

类似：

• Redis
• Shared Memory
• Event Store

---

工作方式

例如：

Research Agent：

{
  "topic": "Kubernetes OOM"
}

Log Agent：

发现后补充：

{
  "logs": "OOMKilled"
}

Root Cause Agent：

继续分析。

---

优点

优点	说明
高解耦	Agent 独立
易扩展	新 Agent 直接接入
并发友好	多 Agent 并行

---

缺点

缺点	说明
状态管理复杂	冲突处理困难
黑板容易膨胀	数据噪音大
调试困难	状态变化复杂

---

适合场景

适用于：

• 大规模 AI Workflow
• AI Research
• 分布式 Agent

---

4. Peer-to-Peer（P2P）架构

完全去中心化。

---

架构图

Agent <----> Agent
  ^             |
  |             v
Agent <----> Agent

---

特点

没有中心节点。

Agent：

• 自主协作
• 自主发现
• 自主通信

类似：

• BitTorrent
• Actor System
• Swarm Intelligence

---

优点

优点	说明
无单点故障	高可用
高扩展性	易横向扩容
自组织能力强	灵活

---

缺点

缺点	说明
难控制	容易失控
调试困难	行为不可预测
通信复杂	消息风暴

---

适用场景

适用于：

• AI Swarm
• 分布式 AI
• 大规模自治系统

---

5. Hierarchical（层级）架构

类似公司组织结构。

---

架构图

              CEO Agent
                 |
        +--------+--------+
        |                 |
   Manager A         Manager B
      |                  |
   Worker             Worker

---

特点

多层 Agent：

• 高层负责战略
• 中层负责协调
• 底层负责执行

---

优点

优点	说明
适合复杂系统	大规模任务
职责清晰	管理方便
易分层优化	各层独立

---

缺点

缺点	说明
通信成本高	层级多
延迟增加	多跳
设计复杂	难维护

---

适用场景

适用于：

• 企业 AI 平台
• 超大型 Agent 系统
• AI Software Company

---

6. Swarm（蜂群）架构

受生物群体启发。

---

特点

Agent：

• 非常小
• 非常简单
• 大量并行

整体：

通过群体行为产生智能。

---

示例

例如：

100 个 Agent：

• 各自搜索不同方案
• 投票选最优解

---

优点

优点	说明
极强并发	大规模探索
高容错	个体失败无影响
适合搜索问题	广度探索强

---

缺点

缺点	说明
token 消耗巨大	成本高
难协调	一致性问题
结果不稳定	随机性强

---

适用场景

适用于：

• AI Research
• 多方案生成
• 自动优化系统

---

五、常见通信模式

---

1. Request/Response

类似 RPC。

Agent A -> Agent B
Agent B -> Result

---

2. Event-Driven

事件驱动。

Event Bus

Agent 监听事件。

---

3. Shared Memory

共享状态：

• Redis
• Vector DB
• PostgreSQL

---

4. Message Queue

例如：

• Kafka
• RabbitMQ
• NATS

---

六、多智能体中的 Memory 架构

多 Agent 系统通常需要：

---

1. Short-Term Memory

短期上下文。

例如：

• 当前任务
• 当前会话

---

2. Long-Term Memory

长期知识。

例如：

• Vector DB
• Knowledge Graph

---

3. Episodic Memory

历史执行记录。

例如：

• previous attempts
• tool outputs

---

4. Shared Memory

多个 Agent 共用。

例如：

• Redis
• Qdrant
• PostgreSQL

---

七、现实世界中的典型架构

---

1. AutoGPT

典型：

• Planner
• Executor

架构。

---

2. LangGraph

偏：

• 状态机
• DAG Workflow（有向无环图工作流）
• Supervisor

---

3. CrewAI

典型：

• Role-based Multi-Agent

---

4. Microsoft AutoGen

典型：

• Conversational Multi-Agent

---

5. OpenAI Swarm

偏：

• lightweight handoff（轻量级切换）
• 协作式 Agent

---

八、多智能体 vs 微服务

其实非常像。

---

微服务	多智能体
Service	Agent
API Call	Message
DB	Memory
Orchestrator	Supervisor
Event Bus	Agent Bus
Workflow	Task Graph

---

九、多智能体核心挑战

---

1. 上下文同步

Agent 之间状态不一致。

---

2. 幻觉传播

一个 Agent 错误：

可能扩散整个系统。

---

3. Token 成本

Agent 越多：

成本越高。

---

4. 死循环

Agent 互相调用。

---

5. 可观测性

难追踪：

• 谁做了什么
• 为什么失败

---

十、未来趋势

未来多智能体会越来越像：

“AI 操作系统”

趋势包括：

---

1. Agent Mesh

Agent 网络化。

---

2. Agent Registry

动态发现 Agent。

---

3. Agent Protocol

标准通信协议。

例如：

• MCP
• A2A

---

4. Agent Runtime

统一运行时。

例如：

• LangGraph
• Semantic Kernel
• AutoGen Runtime

---

十一、如何选择多智能体架构

---

小型系统

推荐：

• Supervisor
• Planner-Executor

---

中型企业系统

推荐：

• Hierarchical
• Blackboard

---

超大规模系统

推荐：

• Swarm
• P2P

---

十二、总结

多智能体本质：

“把复杂 AI 系统拆分成多个专业 Agent 协作。”

核心价值：

• 降低复杂度
• 提高扩展性
• 增强并发能力
• 提升系统可维护性

目前主流架构：

架构	特点
Supervisor	中心化调度
Planner-Executor	规划执行分离
Blackboard	共享状态
P2P	去中心化
Hierarchical	分层组织
Swarm	群体智能

未来：

多智能体系统很可能会像：

• Kubernetes
• 微服务
• 分布式操作系统

一样，

成为 AI 基础设施的重要组成部分。