Multi-Agent (多智能体系统)
基本概念
Multi-Agent 是指由多个 AI Agent 组成协作系统的架构范式，每个 Agent 承担特定角色或负责特定任务域。
核心架构
1. 主从架构 (Supervisor-Worker)
主 Agent
├── 任务分解
├── 子任务分配
└── 结果整合
├── Worker Agent 1 (专业领域)
├── Worker Agent 2 (专业领域)
└── Worker Agent N (专业领域)
2. 平等协作架构
Agent A ←→ Agent B ←→ Agent C
↓ ↓ ↓
共享上下文 / 消息总线
3. 流水线架构
Input → Agent1 → Agent2 → Agent3 → Output
关键技术
| 技术 | 描述 |
|---|---|
| A2A 协议 | Agent 间通信标准 |
| 上下文管理 | 跨 Agent 上下文传递 |
| 状态同步 | 多 Agent 状态一致性 |
| 任务调度 | 子任务分配与调度 |
优势
- 专业化分工：每个 Agent 可专注于特定领域
- 可扩展性：新增 Agent 即可扩展能力
- 容错性：单 Agent 失败不影响整体
- 并行处理：多个 Agent 可同时工作
挑战
- 上下文膨胀：多 Agent 共享上下文导致 token 消耗
- 通信开销：Agent 间协调增加延迟
- 状态一致性：多 Agent 状态同步复杂
- 调试困难：多 Agent 行为难以追踪
Anthropic Deep Research 模式
Anthropic 的 deep research 是主从架构的高价值变体：Lead Agent 负责研究策略和任务拆解，多个 subagent 在独立上下文中并行搜索与阅读，只把压缩发现回传，最后由 Citation Agent 或 workflow 阶段绑定来源。详见 Claude Deep Research Architecture。
核心启示：Multi-Agent 的价值不只是“更多人手”，而是通过上下文隔离扩大有效研究带宽；但成本可达普通聊天约 15× token，因此必须按任务复杂度设置 agent 预算。
应用场景
- 复杂软件系统开发
- 全栈应用构建
- 多领域研究分析
- 自动化工作流
Mixture of Agent Experts (Google 白皮书)
Google 2024 白皮书提出的战略方向：“Agent chaining” — 通过组合多个专业化 Agent（每个在其特定领域或任务中表现出色），创建一种”Mixture of Agent Experts”（混合智能体专家）的方法，能够在各个行业和问题领域中提供卓越性能。这与 Anthropic 的 A2A 协议 目标一致。