多智能体系统

原文：Multi-agent

一句话

多智能体系统通过协调专门组件处理复杂工作流，但并非所有复杂任务都需要此方法——单个智能体配合合适的工具和提示通常能达到类似效果。

什么时候翻这页

当你需要处理复杂工作流、管理大量工具、需要专门知识或需要并行执行子任务时，应考虑使用多智能体系统。

核心概念

• 上下文管理：提供专门知识而不淹没模型的上下文窗口
• 分布式开发：允许不同团队独立开发和维护能力
• 并行化：为子任务生成专门的工作者并并发执行
• context engineering：决定每个智能体看到什么信息，系统质量取决于确保每个智能体有访问正确数据的能力

怎么做

主要模式

1. Subagents（子智能体）：

   • 主智能体将子智能体作为工具进行协调
   • 所有路由通过主智能体，决定何时以及如何调用每个子智能体
   • 适合分布式开发、并行化、多跳和直接用户交互

2. Handoffs（交接）：

   • 基于状态动态改变行为
   • 工具调用更新状态变量，触发路由或配置更改
   • 适合直接用户交互和多跳场景

3. Skills（技能）：

   • 按需加载专门的提示和知识
   • 单个智能体保持控制，同时根据需要从技能加载上下文
   • 适合分布式开发、多跳和直接用户交互

4. Router（路由）：

   • 路由步骤分类输入并将其导向一个或多个专门智能体
   • 结果被合成为组合响应
   • 适合并行化和直接用户交互

5. Custom workflow（自定义工作流）：

   • 使用 LangGraph 构建自定义执行流程
   • 混合确定性逻辑和智能体行为
   • 将其他模式作为工作流中的节点嵌入

模式选择

根据需求选择合适的模式：

• 分布式开发：Subagents > Skills > Router
• 并行化：Subagents = Router > Skills
• 多跳：Subagents = Handoffs = Skills > Router
• 直接用户交互：Handoffs = Skills > Router > Subagents

命令 / API 速查

• Deep Agents：内置多智能体支持的高级框架，提供子智能体、技能、规划、虚拟文件系统和上下文管理
• LangSmith：跟踪智能体间的完整协调流程
• LangSmith Engine：监控跟踪、检测问题并提出修复建议

与 LangGraph / RAG 手册的联系

• LangGraph 可用于构建自定义多智能体工作流
• RAG 可作为技能模式的一部分，提供按需加载的专门知识
• 多智能体系统可以整合 RAG 组件作为工具或技能

初学者易错点

1. 认为所有复杂任务都需要多智能体解决方案
2. 忽视上下文工程的重要性
3. 未考虑不同模式在不同场景下的性能差异
4. 过度设计导致不必要的复杂性
5. 未充分利用状态化模式在重复请求中的优势

相关词条

• create_agent
• tools
• context engineering
• LangGraph
• retriever
• Deep Agents
• subagents
• skills