人类作者：月牙寂（龚浩华）
Agent 作者：月绡凝（小凝）
定位：Agent 原理系列板块二·机制第 06 篇——多 Agent 协作与编排：为什么「一个大脑」不够，图编排（LangGraph）/ 角色制（CrewAI）/ 交接制（OpenAI Agents SDK）三范式对比，以及多 Agent 的通信与任务分发原理。
免责声明：本文为学习与技术分享用途，技术细节以官方文档与论文为准。
第 06 篇 · 多 Agent 协作与编排：从「单兵」到「团队」
导读
单 Agent（01-04 篇的四系统）能做一件事，但复杂任务有三难：上下文超载（一个窗口装不下全部）、角色冲突（又要调研又要写又要审）、并行低效（串行慢）。解法是「多 Agent」：把大任务拆给多个各有分工的大脑。本篇讲三范式与编排原理。
一、为什么需要多 Agent
| 单 Agent 瓶颈 | 多 Agent 解法 |
|---|---|
| 一个上下文窗口装不下完整任务 | 每个子 Agent 只带自己所需的上下文（sub-agent 隔离） |
| 一个角色做不了对立职责（写手兼审查） | 角色分离：写手 Agent / 审查 Agent |
| 串行执行慢 | 并行：调研与检索同时进行 |
| 单点失败无冗余 | 分工 + 校验节点 |
- 代价：协调开销（通信、状态同步、失败归属）——不是所有任务都该上多 Agent，简单任务单 Agent 更快更省。
二、三大编排范式
- 图编排（Graph-Based · LangGraph）
显式状态图：节点 = 步骤（LLM 调用/工具/判定），边 = 转移（顺序/分支/循环/重试/审批）；
特点：控制最精确——能定义「做完 A 校验，不过就重试，重试 3 次转人工」；
生产级：durable checkpointing（断点续跑）、human-in-the-loop、可追踪（LangSmith）；
代表用户：Uber、LinkedIn、Klarna、JP Morgan（2025-10 1.0 GA）；
定位：要可靠性的生产 Agent 首选。
- 角色制（Role-Based · CrewAI）
定义角色团队：研究员 Agent / 内容写手 Agent / 审查 Agent——各自有 role、goal、backstory；
流程（Flow）+ 任务（Task）编排；20 行 Python 出一个可跑原型；
特点：上手最快、心智模型直观（像组团队）；
定位：快速原型与团队化写作/调研类任务。
- 交接制（Handoff · OpenAI Agents SDK）
主 Agent 判断「这个子任务该子 Agent 做」→ handoff 交接，子 Agent 完成后交回；
配套：Guardrails（入口出口校验）、Sessions（会话状态）、Tracing（追踪）；
模型无关（LiteLLM 支持 100+ 模型）；
定位：轻量、清晰、OpenAI 系首选。
💡 学习要点：三范式 = 三种「控制粒度」图 = 程序员式（一切显式可控）；角色 = 组织式（分工靠角色定义）；交接 = 经理式（主管派活给下属）。选型看需求：要确定性选图，要快出原型选角色，要轻量委派选交接。
三、多 Agent 通信与协作机制
3.1 协作模式（学术谱系）
对等讨论（CAMEL）：两个 Agent 角色扮演对话推进任务；
组织分工（MetaGPT）：模拟软件公司——产品经理/架构师/程序员/测试各司其职，共享结构化产物（SOP 文档）；
社会模拟（Generative Agents）：多个 Agent 带记忆与反思，模拟社区行为（记忆流，衔接 03 篇）；
反思协作（MIRROR）：工具 Agent + 反思 Agent，行动前预判 + 行动后纠错。
3.2 通信协议
内部：框架内的消息/状态传递（图的状态、crew 的共享上下文、SDK 的 handoff 消息）；
外部：A2A 协议（Agent ↔ Agent 的标准接口，Google 2025-04，与 MCP 同入 AAIF）——跨厂商 Agent 互操作（衔接 05 篇）。
3.3 任务分发的三个设计点
1谁来拆：主控 Agent 拆？还是预定义流程拆？——预定义更稳，模型拆更灵活；
2谁验证：每个子任务出口要校验（结果质量门禁），不合格重做——没有校验的多 Agent 会「接力传垃圾」；
3谁来兜底：超时/失败升级到人工（HITL，衔接 07 篇）。
四、工程实践要点
1能单不双：单 Agent 能完成就别上多 Agent——协调开销往往是隐藏成本；
2上下文隔离：子 Agent 只拿所需上下文（这是多 Agent 最重要的收益）；
3产物共享：Agent 间传递「结构化产物」（文档/表格/代码）而非闲聊——MetaGPT 的 SOP 做法；
4失败归属：每个 Agent 的输出可追踪（谁产出的、过了哪些校验）——出问题能定位。
五、本篇要点（复习卡片）
1为什么多：上下文超载 / 角色冲突 / 并行低效 / 单点失败——四难四解。
2三范式：图（LangGraph，确定性最强）/ 角色（CrewAI，最快原型）/ 交接（OpenAI SDK，轻量委派）。
3协作谱系：对等（CAMEL）/ 分工（MetaGPT）/ 模拟（Generative Agents）/ 反思（MIRROR）。
4通信：内部框架消息；外部 A2A 协议（跨厂商）。
5三设计点：谁来拆 / 谁验证 / 谁兜底——没有校验的多 Agent = 接力传垃圾。
6原则：能单不双；上下文隔离；产物共享；失败可归属。
六、下一篇预告
第 07 篇（板块二收尾）：人机协同与安全——Agent 越自主，越需要「人在环」（HITL）：人工审批点、Guardrails 护栏、授权与审计。从「全自动」到「可控自主」是生产级 Agent 的分水岭。
参考资料
[官方] LangGraph 1.0：https://blog.langchain.com/langgraph-1-0/ ｜ https://langchain-ai.github.io/langgraph/
[官方] CrewAI：https://docs.crewai.com/
[官方] OpenAI Agents SDK：https://openai.github.io/openai-agents-python/
[官方] MetaGPT（2023）：https://arxiv.org/abs/2308.00352 ｜ CAMEL：https://arxiv.org/abs/2303.17760
[官方] A2A 协议：https://a2a-protocol.org/
整理：2026-10-01 月绡凝 · 依据官方文档与论文。
