06 — 多智能体协作（Multi-Agent）

多智能体协作是让多个承担不同任务的 Agent 通过调用、消息、共享状态或产物共同完成目标。每个 Agent 可以维护自己的任务上下文、工具集和执行循环；它们可以使用同一个模型，也可以使用不同模型。系统还需要决定任务由谁执行、结果交给谁，以及何时算完成。

例如，研究 Agent 需要多次查资料、核对来源，写作 Agent 使用核实后的材料组织报告，审查 Agent 再对照要求检查遗漏。任务之间交付的是证据、草稿和审查意见。增加这几种角色之后，系统也多出了交接和验收环节；角色名称本身不会保证报告更准确。

单 Agent、工作流和多 Agent 怎样区分

先分别看节点内部的执行方式和节点之间的控制方式：

组织方式	谁决定下一步	典型过程
单 Agent 使用多个工具	同一个 Agent 根据工具结果继续选择动作	查询文档、读取详情、计算、回答
固定工作流	程序按预设依赖和条件调度节点	提取资料后写草稿，校验通过才交付
主管委派子 Agent	主管选择子任务与执行者；子 Agent 在任务范围内推进	分派调查、接收结果、检查缺口并追加任务
Agent 间控制权交接	当前 Agent 请求交接，运行时将后续输入交给接收者	服务台转给工单 Agent，由后者继续追问并处理

固定工作流可以包含多个 Agent 节点。例如外层固定执行“研究→写作”，研究节点内部仍可自主选择搜索工具。因此，判断结构时既要看节点内部有没有执行循环，也要看节点之间的调度是否预先确定。几个固定模型调用不一定需要实现多个自主 Agent。

拆分能带来什么，又增加了什么

上下文可以按任务隔离。 研究 Agent 阅读大量原始材料，主 Agent 只接收证据与结论，有机会减少无关内容对后续步骤的干扰。代价是交接可能丢失条件和来源，需要提供可回查的原文位置。上下文隔离也不等于权限隔离，工具和数据权限仍由应用限制。

独立任务可以并行。 多个调查分支分别推进时，总等待时间可能缩短，但最终仍要等必要分支完成并汇总。存在依赖的步骤无法靠增加 Agent 数量消除等待；简单的批量查询通常用工具并发就能完成。

职责可以分别配置和检查。 不同任务可使用不同工具、模型和验收要求。收益需要通过测试确认，同时统计主管调用、重复检索、审查返工及传递上下文的开销。多 Agent 既不保证更便宜，也没有固定的成本倍数。

对于工具少、上下文能有效管理、步骤明确的任务，可以先建立单 Agent 或固定工作流基线。只有出现了可明确分开的工作，并且拆分能够改善质量、耗时或隔离要求时，再比较多 Agent 方案。

三组专题

分组	要解决的问题
编排与协作模式	谁分派任务，哪些步骤并行，依赖怎样安排，何时交接控制权，结果如何审查
通信、状态与产物	Agent 之间传什么，共享数据如何更新，多人修改同一产物怎样合并
运行与互操作	子任务失败后怎样继续，如何核算质量与成本，怎样接入独立部署的 Agent

从任务需求选择结构

任务需求	优先阅读
子任务数量和类型要根据请求确定	主管与子 Agent
多项独立工作同时执行，最后汇总	并行协作
步骤有明确先后顺序和依赖	流水线与任务依赖图
专业 Agent 需要接管后续对话	路由与 Handoff
已有草稿或候选方案，需要核查与修订	审查、辩论与结果裁决
多个参与者围绕共同记录持续补充信息	共享状态与黑板协作
对方是独立部署、内部实现不可见的 Agent	A2A 协议

这些结构可以组合。主管可以并行委派多个调查任务，再按固定步骤调用写作与审查；远程子任务也可以通过 A2A 接入。组合时要明确每个任务的负责人、交付要求、可用预算，以及失败由哪一层处理。

具体框架用法见 LangGraph 和 Agent SDK。本章解释协作机制，多 Agent 协作应用将这些机制放进综合项目。