多智能体系统中的 7 种模式

7 Patterns in Multi-Agent Systems

单体式智能体（monolithic agents，也就是把所有逻辑都塞进系统提示词里的单个 LLM）并没有撑太久。我们很快意识到，要构建真正有效的系统，需要多个能够相互协作、自我组织的专业化智能体（Agent）。为了实现这一点，业界针对 AI 智能体逐渐形成了几种架构模式。

下图展示了多智能体编排中的 7 种核心模式，每一种都适用于特定的工作流程：

1）并行

每个智能体负责一个不同的子任务，比如数据提取、网络检索和摘要生成，最后再把各自的输出合并成一个结果。这种模式非常适合用来降低高吞吐流水线（比如文档解析或 API 编排）中的延迟。

2）顺序

每个智能体都在前一步的基础上逐步增加价值，比如一个负责生成代码，另一个负责审查，第三个负责部署上线。这种模式常见于工作流自动化、ETL 数据处理链条，以及多步推理流水线中。

3）循环

智能体会不断迭代打磨自己的输出，直到达到预期的质量标准。这种模式很适合校对、报告生成或创意迭代等场景——系统会在最终定稿前反复「再想一遍」。

4）路由

在这种模式下，一个控制器智能体会把任务路由给最合适的专家智能体。比如，用户提出的财务问题会被路由给 FinAgent，法律问题则路由给 LawAgent。这正是新兴的 MCP/A2A 类框架中「基于上下文感知的智能体路由」的基础。

5）聚合

多个智能体各自产出部分结果，再由主智能体把这些结果整合成一份最终输出。也就是说，每个智能体先形成自己的「意见」，再由一个中心智能体把它们汇总为一个共识。这种模式常见于检索增强生成（RAG）的检索融合、投票系统等场景。

6）网络

在这种模式下，没有明确的层级结构，智能体之间可以自由交流，动态共享上下文。它常用于仿真系统、多智能体博弈，以及需要自由形式行为的集体推理系统中。

7）分层

一个顶层的规划智能体把子任务分派给多个执行者，跟踪它们的进度，

并做出最终决策。这跟一个经理和他的团队完全是同一回事。在选择用哪种模式来构建多智能体系统时（前提是你确实需要一个 Agent，而且它必须是一个多智能体系统），我们始终在思考的问题，不是哪种模式看起来最酷，而是哪种模式能把智能体之间的摩擦降到最低。随便拉起 10 个智能体、宣称这是一个「团队」很容易，难的是设计出这样一套沟通流程，使得：

• 任何两个智能体都不会重复做同一件事。
• 每个智能体都清楚自己该何时行动、何时等待。
• 整个系统给人的感觉，比其中任何一个单独部分都更聪明。