多 Agent 协作入门——让 AI 团队为你工作

课程概述

一个 Agent 能帮你做一件事。多个 Agent 协作能帮你运营一个业务。

多 Agent 协作（Multi-Agent Collaboration）是 2025-2026 年 AI Agent 领域的顶级趋势。它模拟了一个团队的工作方式——不同 Agent 有不同的角色、专长和职责，它们互相通信、分工合作，完成单个 Agent 无法完成的复杂任务。

这门课帮你理解多 Agent 架构的核心概念、常用的协作模式和真实的应用案例。不需要技术背景——你可以把 Agent 团队想象成一个真实的团队来理解。

学习目标

• 理解为什么需要多 Agent（而不是一个超级 Agent）
• 了解三种主流的多 Agent 协作模式
• 能判断什么任务需要多 Agent，什么任务单 Agent 就够了
• 理解多 Agent 中的关键设计决策
• 知道当前多 Agent 技术的成熟度和局限

课程内容

1. 为什么需要多个 Agent？一个不够吗？

一个"超级 Agent"的问题：

想象你要一个人同时做以下事：

• 跟客户沟通需求（需要耐心和沟通技巧）
• 写代码实现功能（需要技术专注）
• 测试找 bug（需要批判性思维）
• 写项目文档（需要结构化表达能力）
• 监控生产环境的稳定性（需要时刻警觉）

一个人能做吗？理论上能——但每件事都做得一般。而且在不同任务之间频繁切换，效率极低。

这就叫"上下文污染"。

单个 Agent 也面临同样的问题。当它的系统提示词涵盖了太多角色和规则时，它会"困惑"——不知道该以哪个角色来回应，不同规则之间可能互相冲突，大量规则占用上下文窗口导致"注意力分散"。

多 Agent 的解决思路：

与其让一个 Agent 什么都会，不如让 5 个 Agent 各精一门：

每个 Agent 都有自己的"人设 + 专长 + 工具"，它们像一个真正的团队一样协作。

2. 多 Agent 协作的三种模式

模式 1：顺序流水线（Sequential Pipeline）——最常用

任务像工厂流水线一样依次经过多个 Agent。

适合： 流程固定的、阶段分明的任务。

例子：写一篇公众号文章

1. 选题 Agent（主题 + 角度建议）→
2. 写作 Agent（初稿）→
3. 编辑 Agent（修改和润色）→
4. 配图 Agent（生成或选择配图）→
5. 发布 Agent（格式化为公众号格式，定时发布）

优点： 简单、可控、每一步的输出是下一步的输入，质量可追溯 缺点： 僵化——如果第 3 步发现选题方向有问题，得回头重来

模式 2：辩论/对抗协作（Debate / Adversarial）

两个或多个 Agent 从不同立场分析同一个问题，通过"对抗"产生更全面的结论。

适合： 决策分析、风险评估、方案审查。

例子：投资决策分析

• 乐观 Agent：这个项目为什么值得投？（找到 5 个理由）
• 悲观 Agent：这个项目可能失败的原因是什么？（找到 5 个风险）
• 综合 Agent：综合两方观点，给出加权评估

研究发现，这种"对抗-综合"模式产出的分析比单个 Agent 全面得多——因为单个 Agent 往往会"锚定"在第一个想到的方向上。

模式 3：分层/管理协作（Hierarchical / Orchestrator）

一个"总管 Agent"负责任务分解和分配，多个"执行 Agent"负责具体执行。

适合： 复杂、动态、需要灵活调整的任务。

例子：组织一场线上活动

• 总指挥 Agent（拆解任务、分配工作、追踪进度）：
  • → 内容 Agent：写活动方案和主持稿
  • → 设计 Agent：做海报和宣传素材
  • → 运营 Agent：在社群里发布和互动
  • → 数据 Agent：报名统计和效果分析

优点： 灵活——总管可以根据执行过程动态调整 缺点： 复杂——总管 Agent 本身出错的话全盘皆输

如何选择协作模式？

3. 多 Agent 设计的关键决策

决策 1：Agent 之间怎么通信？

• 结构化传递： Agent A 输出一个标准格式的 JSON，Agent B 读取这个 JSON。适合流水线模式
• 自然语言传递： Agent A 说话，Agent B 阅读和理解。更灵活但可能"理解偏差"
• 共享记忆/黑板： 所有 Agent 读写同一个"信息共享板"。适合需要全局信息的场景

决策 2：信息共享到什么程度？

• 完全共享： 所有 Agent 能看到所有对话历史 → 信息充分但上下文窗口压力大
• 最小传递： 每个 Agent 只看到自己需要的信息 → 高效但可能遗漏关键上下文
• 摘要传递： 每个阶段产出"摘要"传给下一个阶段 → 平衡效率和完整性

决策 3：错误怎么处理？

当一个 Agent 出错了：

• 回退到上一个 Agent 重做？
• 总管 Agent 判断是否需要重做？
• 当前的 Agent 自己重试？

规则：单 Agent 出错影响范围小 → 让其自动重试。上游 Agent 出错影响下游 → 需要总管介入判断。

4. 真实应用案例

案例：用多 Agent 做竞品分析

这个任务需要多视角：产品视角、市场视角、技术视角。单个 Agent 做往往顾此失彼。

总指挥 Agent
├── 市场情报 Agent：收集竞品融资、团队、市场动态信息
├── 产品分析 Agent：对比产品功能、用户体验、定价策略
├── 技术评估 Agent：分析技术栈、专利、开源贡献
└── 报告撰写 Agent：整合前三者产出，按标准格式写分析报告

总指挥 Agent 负责：拆解竞品 → 分配任务 → 给各 Agent 设定截止时间 → 接收各 Agent 产出 → 检查完整性和一致性 → 交给报告撰写 Agent。

案例：用多 Agent 管理一个真实的业务流程

以一个电商客服场景为例：

用户消息进入
  → 分类 Agent：判断这是什么类型的问题（退货/换货/咨询/投诉）
  → 路由到对应的处理 Agent：
    - 退货 Agent：查订单 → 核验退货政策 → 生成退货单号 → 触发退款流程
    - 咨询 Agent：查知识库 → 回答产品问题 → 推荐相关产品
    - 投诉 Agent：记录投诉内容 → 生成工单 → 升级到人工 → 草拟回复

这里的关键设计是：分类 Agent 的准确性决定了整个系统的效率。 如果分类错了，后面的处理全错。

5. 多 Agent 的局限和陷阱

陷阱 1：过度工程化

"3 个 Agent 就能搞定的任务，设计了 15 个 Agent"——每个 Agent 都很"专"，但通信开销远大于实际工作。

原则：能用单 Agent 的不用多 Agent，能用 2 个的不用 5 个。

陷阱 2：错误级联放大

在流水线模式中，第一个 Agent 的小错误会被第二个 Agent 基于错误信息继续处理，然后第三个 Agent 在这个错误上继续"发挥"——最后的结果错得离谱。

防御：关键环节设置"质检 Agent"或"验证步骤"。

陷阱 3：无限循环

Agent A 给了方案，Agent B 提了修改意见，Agent A 改了又给 Agent B，Agent B 又提意见……陷入永无止境的迭代。

防御：设置循环上限（最多 3 轮修改），超过后强制输出当前版本或升级到人决策。

陷阱 4：成本失控

5 个 Agent 互相通信——每次通信都要调用 LLM。一个任务下来，LLM 被调用了 30 次。如果用的是 GPT-4 级别的模型，成本不低。

防御：简单环节用便宜的模型（如 DeepSeek），复杂环节才用顶级模型。Agent 之间的通信要精简，不要"聊天"。

实操练习

1. 团队设计（10 分钟）： 选一个你团队日常协作的复杂任务（比如组织活动、写方案、做分析）。如果让 Agent 团队来做这件事，你需要几个 Agent？每个 Agent 的职责是什么？它们之间怎么通信？

2. 协作模式选择（5 分钟）： 对你的任务，选择最合适的协作模式（流水线/对抗/分层）。为什么这个模式最适合？如果选错了模式会有什么问题？

3. 风险评估（5 分钟）： 列出你设计的多 Agent 系统中"最可能出错的环节"。针对每个风险点，写下预防或减轻的措施。

总结

多 Agent 协作是 AI 从"工具"走向"团队"的关键一步。三个核心认知：

1. 多 Agent 不是"Agent 的叠加"，而是"角色的分工"。 每个 Agent 用专属的系统提示词 + 专属的工具
2. 协作模式比 Agent 数量重要。 选择流水线/对抗/分层——根据任务的流程特点
3. 复杂度是敌人。 能用单 Agent 的不用多 Agent，能用 2 个的不用 5 个

最好的多 Agent 系统不是你设计出来的，是你从单 Agent 开始一步步发现"这里需要再分一个出去"而自然演进出来的。