"多 Agent 的力量不在于单体有多聪明,而在于如何分工协作。协作模式解决的是:N 个 Agent 组成团队时,谁说了算、谁做什么、信息怎么流动、冲突怎么处理。"
2023 年 3 月 14 日 OpenAI 发布 GPT-4。就在当天,一位研究员发了一条推文:"如果我们让多个 GPT-4 实例相互对话,又会发生什么呢?"48 小时后,AutoGPT 诞生了。紧随其后,BabyAGI、AgentGPT、SuperAGI 等项目如雨后春笋般涌现——人们突然意识到:真正的力量并不在于单体 Agent 有多聪明,而在于多个 Agent 如何协同工作。
本章拆解四种协作模式,它们按集中程度从高到低排列:
三个角色:
| 场景 | 辩论双方 | Judge | 价值 |
|---|---|---|---|
| 技术选型 | "微服务 vs 单体" | 架构师 Agent | 避免"一家之言"的 bias |
| 策略权衡 | "激进增长 vs 稳健盈利" | 战略顾问 Agent | 多视角分析 |
| 代码审查 | "这段代码应该重构 vs 应该保持原样" | Reviewer Agent | 减少盲点 |
| 安全审计 | "这个 API 有漏洞 vs 没问题" | 红队 Agent | 对抗式提高安全 |
基础辩论是"一次投一票",迭代辩论是"辩论 N 轮,每轮对方看了上一轮论据后再辩"——效果显著更强,代价也更高:
| 轮数 | 精准率提升 | 成本增量 |
|---|---|---|
| 1 | 基础 | 1× |
| 2 | +5-10% | 3× |
| 5 | +15-20% | 10× |
| 决策 | 选项 | Trade-off |
|---|---|---|
| Judge 要不要和 Debater 是同一个模型 | 是(经济) / 否(精准) | 同一个模型可能有相同的 bias,选另一个模型效果更好但成本翻倍 |
| Debater 立场要不要预设 | 预设("你必须站 A") / 让模型自己选 | 预设能保证覆盖所有角度,自己选可能两边都选同一个 |
| Judge 输出是选边还是综合 | 选边(简单) / 综合(高价值) | 综合能力更强但 Judge 难度更大 |
这是半集中式的协作——Manager 负责任务分解 + 结果汇总,每个 Specialist 专注于单一职责。
| 范式 | 机制 | 代表 |
|---|---|---|
| 静态角色分工 | 在 Prompt 里硬编码 Manager/Specialist 的角色、能力边界、对话模板 | CrewAI 的 Role-Based 架构、AutoGen 初始化时指定角色 |
| 动态 Supervision | Supervisor Agent 每次都从"员工池"里挑最合适的 Specialist + 动态拆任务 | LangGraph Supervisor 模式、AutoGen GroupChat |
| 挑战 | 症状 | 对策 |
|---|---|---|
| 信息孤岛 | Researcher 发现了竞品 A 的 bug,但 Coder 完全不知道 | Manager 在传任务时注入必要背景,不要只传裸任务 |
| 角色模糊 | Coder 有时也想做设计,Designer 也想改代码 | 在 Prompt 里明确角色边界 + 强制"超出职责就说不会" |
| Manager 瓶颈 | Manager 变成新的单点瓶颈 | 可以让 Manager 也委托——形成两层甚至三层 Manager |
| 框架 | 角色分工方式 | 灵活度 |
|---|---|---|
| CrewAI | Role-Based:先定义角色、目标、工具,再 Crew().kickoff() | 低-中 |
| AutoGen | 对话式:Agent 之间通过对话协商分工 | 高 |
| LangGraph | Supervisor 图:显式声明 Manager → Specialist 的图结构 | 高 |
很多人把 Router 和 Manager 搞混,核心区别是:
| 维度 | 路由 | 委托 |
|---|---|---|
| 输入 | 一个请求 | 一个目标 |
| 输出 | 选出 N 个 Agent(通常 1 个) | 拆出 N 个子任务 + 分发给 N 个 Agent |
| 典型场景 | 多领域客服、多 Agent API 网关 | 全栈项目、端到端任务 |
| 方法 | 精准率 | 成本 | 代表 |
|---|---|---|---|
| 规则路由(if-else) | 高(在规则覆盖范围内) | 极低 | 关键词匹配、正则 |
| Embedding 相似度路由 | 中-高 | 低(只跑一次 embedding) | 把每个 Specialist 的能力描述 embedding,请求向量做相似度匹配 |
| LLM 路由 | 最高 | 中(一次 LLM 调用) | 让 LLM 读请求 + 读所有 Specialist 描述,输出"选哪个" |
群体模式是去中心化的——没有 Manager、没有 Router。每个 Agent 只遵循简单规则,通过广播/订阅/消息队列与邻居交互,最终涌现出复杂的整体行为。
| 机制 | 启发自 | 工业代表 | 说明 |
|---|---|---|---|
| 蚁群算法(ACO) | 蚂蚁信息素 | 网络路由优化 | 每个 Agent 只看信息素浓度,走浓度高的路径——全局涌现出最优网络路由 |
| 粒子群(PSO) | 鸟群飞翔 | 参数调优、路径规划 | 每个 Agent 记住自己的历史最优 + 全局最优,综合两个信息调整位置 |
| 黑板系统(Blackboard) | 早期 AI(1970s) | AutoGPT(早期形态) | 所有 Agent 共享一个"黑板"——谁都可以读谁都可以写,通过黑板上的信息自然分工 |
| 模式 | 去中心化程度 | 可控性 | 精准率 | 适用场景 |
|---|---|---|---|---|
| 辩论 | 低 | 高 | 高 | 事实争议、策略权衡 |
| 委托 | 中 | 高 | 高 | 明确的多角色任务 |
| 路由 | 中 | 高 | 中 | 多领域客服 |
| 群体 | 最高 | 低 | 未知(风险高) | 探索型、不需要精确控制的场景 |
群体模式最大的风险是涌现行为不可控——你可能得到一个远超单体 Agent 的"集体智慧",也可能得到一个集体幻觉或混沌振荡的"集体疯狂"。
治理手段:
熵是生命的敌人,但也是进化的朋友。系统越复杂,熵越高,但熵的每一次峰值,都是下一次创新的起点。
黄佳在全书最后一章提出一个关键隐喻:
软件工程师曾经是精密钟表的制造者——目标是消除不确定性、消灭熵、打造永恒运转的确定性系统。
软件工程师现在是熵的园丁——我们不再试图消灭不确定性,而是在不确定性中建立秩序;不再试图控制系统的每一个齿轮,而是设计让系统自我演化的生态。
Agent 时代的工程师角色从"控制者"变为"园丁":
这六大模式族,就是 Agent 时代工程师的新工具箱——一个从代码组织进化到意图、记忆、行动与协作组织的工具箱。