多智能体协作：几个 Agent 一起干活

一个智能体能帮你查资料、写代码、订行程，但复杂任务往往超出单个 Agent 的能力。于是多智能体协作出现了：几个 Agent 分工配合，一个规划、一个执行、一个检查，像一个小型团队那样干活。听起来很美好，但多个 Agent 真的比一个强吗？

## 从一个到多个

单 Agent 的瓶颈很明显：上下文有限，步骤一长就容易跑偏；能力单一，写代码的未必擅长核对。拆成多个 Agent，理论上各司其职：规划者拆解任务，执行者调用工具，检查者复核结果。每个 Agent 的提示词可以更专、更短，出错也更容易定位。这种分工思路，和人类团队的组织方式如出一辙。

## 常见的协作模式

实践中常见的有三种模式。一是流水线：任务按环节流转，前一个的输出是后一个的输入，适合流程固定的工作。二是辩论式：多个 Agent 各执一词、互相质疑，最后由裁决者拍板，适合需要权衡判断的任务。三是主管加执行：一个主管 Agent 统筹，把子任务派给执行 Agent，适合目标明确但步骤多变的大任务。三种模式没有高下，关键看任务的形状。

## 协作的成本

多个 Agent 也有代价。首先是沟通开销：Agent 之间传话要消耗上下文，传得越多，有效信息占比越低。其次是错误放大：一个环节理解错了，后面的环节可能在错误的基础上越走越远。最后是协调本身的复杂性：谁负责拍板、分歧怎么解决，都需要事先定好规则。协作不是人越多越好，Agent 也一样。

## 失败的常见姿势

多智能体系统最常见的失败，不在单个 Agent 变笨，而在协作断裂。规划者拆的任务执行者看不懂，执行者返回的结果检查者无法验证，三个环节各自正确，拼起来却是错的。还有一种失败叫责任扩散：每个 Agent 都以为别的环节会兜底，结果谁都没兜底。人类团队靠开会、靠默契解决的问题，Agent 之间只能靠写进提示词的规则解决，而规则永远写不完所有情况。

## 协调本身就是成本

还有一点常被低估：协调本身就是成本。人类团队里，沟通、开会、对齐目标要花掉大量时间，Agent 团队也一样。Agent 之间每一次传话都要消耗上下文和算力，传话链越长，有效信息被稀释得越厉害。设计多智能体系统时，真正的功夫不在堆 Agent 的数量，而在设计简单、清晰、可验证的交接方式：输出格式固定、验收标准明确、出错时能回溯到具体环节。交接越干净，协作才越可靠。

## 什么时候值得用多个

判断标准其实很简单：任务是否真的需要分工。步骤清晰、环节之间有明确交接的，适合流水线；需要多角度判断的，适合辩论；规模大、步骤多的，适合主管加执行。反之，任务本身很简单，硬拆成多个 Agent 只会增加出错的环节。好的多智能体系统，胜在分工合理，而不是数量好看。