多智能体协作的工作流编排

一个智能体能力有限,多个智能体分工协作才能处理复杂任务。但协作本身也是一门需要设计的学问。

单个智能体在处理简单任务时表现不错,但当任务涉及多个专业领域、需要不同类型的推理能力时,单个智能体往往力不从心。多智能体协作通过让不同智能体各司其职,像团队一样配合完成复杂任务。

为什么要多智能体

单个智能体的局限性:

• 角色冲突:同一个智能体既要写文案又要审核文案,既当运动员又当裁判,效果不好。
• 上下文污染:一个对话中塞入太多不同类型的信息,模型注意力分散,每件事都做不好。
• 专业深度不足:一个智能体很难在写作、数据分析、事实核查等多个领域都表现优秀。

多智能体的核心思路是"分而治之":把复杂任务拆成子任务,每个子任务交给专门优化的智能体处理。

常见的协作模式

串行流水线

最简单的模式,每个智能体处理一个环节,输出传给下一个:

[研究员智能体] → [写作智能体] → [编辑智能体] → [审校智能体]
   搜集资料        写初稿          润色修改        事实核查

适合流程明确、各环节有清晰输入输出的场景。缺点是任何一环出问题都会影响全局,且无法并行加速。

并行-汇总

多个智能体同时处理不同维度,最后由一个汇总智能体整合:

         ┌→ [SEO分析智能体] → 关键词建议
[分发器] ─┼→ [受众分析智能体] → 受众洞察     ┌→ [整合智能体]
         └→ [竞品分析智能体] → 竞品对比    ─┘

适合需要多维度分析的任务。优势是并行执行速度快,各维度独立分析质量高。

辩论模式

两个智能体对同一问题给出不同方案,第三个智能体做裁判:

[乐观方案智能体] → 方案A
                    ↓
              [裁判智能体] → 最终方案
                    ↑
[保守方案智能体] → 方案B

适合需要权衡取舍的决策类任务。通过对立视角的碰撞,能发现单一视角遗漏的问题。

层级模式

一个主智能体负责任务分解和调度,多个子智能体执行具体工作:

[主控智能体]
  ├── [搜索智能体]
  ├── [分析智能体]
  ├── [写作智能体]
  └── [审校智能体]

主控智能体像项目经理,决定调用谁、何时调用、结果怎么整合。这是最灵活但也最复杂的模式。

工作流编排的实现

定义智能体角色

每个智能体应该有明确的职责边界:

researcher:
  role: 信息搜集与事实核查
  tools: [web_search, knowledge_base_query]
  prompt: "你是研究专家,只负责搜集和整理信息,不做创作..."
  output_format: 结构化研究笔记

writer:
  role: 内容创作
  tools: [knowledge_base_query]
  prompt: "你是文案专家,基于研究笔记撰写内容..."
  output_format: Markdown文章
  depends_on: [researcher]

reviewer:
  role: 审校与质量把控
  tools: []
  prompt: "你是编辑,检查文章的事实准确性、逻辑连贯性和可读性..."
  output_format: 审校意见+修改建议
  depends_on: [writer]

数据传递

智能体之间的数据传递需要设计统一格式,避免格式不匹配:

{
  "from": "researcher",
  "to": "writer",
  "task_id": "article_001",
  "content": {
    "topic": "AI配音工具对比",
    "key_findings": [...],
    "data_sources": [...],
    "notes": "..."
  },
  "metadata": {
    "timestamp": "2026-08-19T10:00:00Z",
    "version": "1.0"
  }
}

错误传播

一个智能体失败时,如何影响整个工作流?

• 严格模式:任何一环失败,整个流程终止。适合质量优先的场景。
• 容错模式:失败的智能体输出降级结果,流程继续。适合效率优先的场景。
• 重试模式:失败的智能体重试N次,仍失败则切换到备选智能体。

实用场景示例:内容创作流水线

1. 选题智能体
   输入:用户领域+近期热点
   输出:3个选题建议(含预估热度)

2. 研究智能体
   输入:选定的选题
   输出:研究笔记(关键信息+数据+来源)

3. 写作智能体
   输入:选题+研究笔记
   输出:文章初稿

4. 审校智能体
   输入:文章初稿
   输出:修改建议列表

5. 写作智能体(返修)
   输入:初稿+修改建议
   输出:终稿

6. 适配智能体
   输入:终稿
   输出:各平台版本(微博版/小红书版/公众号版)

协作的挑战

• 成本倍增:多个智能体意味着多次模型调用,成本是单智能体的数倍。
• 延迟累积:串行模式下,总延迟是各环节延迟之和。
• 调试困难:一个环节的输出质量问题可能是上游环节的输出导致的,定位根因需要全链路追踪。
• 一致性:不同智能体的语气和风格可能不一致,需要在提示词层面统一规范。

多智能体协作适合任务复杂度确实需要分工的场景。如果一个单智能体就能搞定,不要为了"架构好看"而过度设计。简单任务用复杂架构,只会增加成本和故障点。