多智能体协同深度指南（LangGraph、AutoGen、CrewAI 实践）
多智能体协同通过多个 LLM 驱动的智能体分工协作，实现复杂任务的高效完成。
本文深入探讨角色分工、共识机制、任务合并、跟踪模式与资源控制，结合 LangGraph、AutoGen 和 CrewAI 的实践，帮助开发者构建可扩展的智能体系统。
多智能体系统由多个独立的 LLM 驱动智能体组成，每个智能体拥有自己的角色、提示、模型和工具。框架方面，LangGraph 基于图结构将各 Agent 连接成工作流，AutoGen 提供统一的多 Agent 会话编排框架，而 CrewAI 则强调"角色化 Agent 团队"与灵活的流程控制。以下从角色分工、共识决策、任务合并、跨 Agent 追踪、资源限额等方面深入探讨，并给出一个完整的可运行示例。
多 Agent 角色分工模型
在协作式工作流中，常见的角色包括规划者（Planner）、执行者（Worker）、**审阅者（Reviewer）和协调者/仲裁者（Orchestrator）**等。每个角色专注不同子任务：例如规划者负责任务分解与策略制定，执行者负责具体执行，审阅者负责检验和改进结果，协调者负责分派任务和最终决策。
在 CrewAI 中，可为每个 Agent 设置role和goal等属性；在 AutoGen 示例中，也定义了多个角色 Agent 协作。例如下图所示，LangGraph 中的 Supervisor 模式中，一个 Supervisor Agent 负责将用户请求路由给不同子 Agent。CrewAI 文档指出：“每个 agent 都具有特定角色、工具和目标”；AutoGen 旅行规划示例中，planner_agent负责初步规划，language_agent提供语言建议，travel_summary_agent将各视角整合成最终计划。
Role-based Agent 示例：
- 规划者（Planner）：根据用户需求制定任务计划（如旅行示例中的 Planner Agent）。
- 执行者（Worker）：执行具体任务或子目标，可能是特定领域专家 Agent。
- 审阅者（Reviewer）：对执行结果进行验证或补充建议（旅行示例中"语言提示"Agent 充当审阅角色）。
- 协调者/仲裁者（Orchestrator）：分发任务、收集反馈并做最终决策。LangGraph 框架中的 Supervisor 即担此角色。
共识机制与仲裁策略
多 Agent 系统需要机制整合各 Agent 输出，典型策略包括投票、加权评分或信任路由。AutoGen 提供"辩论"模式，让各 Agent 多轮交换、互相修正答案。在这个模式中，Solver Agents 负责提出答案，Aggregator Agent 则收集并最终通过**多数投票（majority voting）**确定答案。例如，AutoGen 文档中 Aggregator Agent 将各 Solver Agent 在最后一轮的输出进行多数票表决得到最终结果。
多模型评分（Multi-Model Scoring）方式下，可让不同 LLM 参与答题，采用置信度加权投票来形成共识。ReConcile 框架即通过多轮讨论和置信度加权投票实现更稳健的共识结果。更进一步，可为每个智能体分配信任值或权重，动态调整其输出的重要性。例如文献中提出的权重机制会基于每个 Agent 的置信度（不确定度的倒数）调整注意力分配，以突出可信度更高的 Agent 信息。
综上可采用的仲裁策略包括：
- 多 Agent 投票：简单多数投票或排名投票，易于实现，见 AutoGen 多 Agent 辩论示例。
- 置信度加权：使用多模型多 Agent，通过计算各 Agent 输出的置信度权重汇总答案。
- 信任值路由：根据历史表现或模型信任度动态调整 Agent 权重，使高信度 Agent 的意见被优先考虑。
任务计划合并与冲突解决
多 Agent 协同需管理子任务依赖并合并各自输出。LangGraph 利用图结构显式定义 Agent 调用顺序和状态流转。在图中，每个 Agent 为节点，边代表调用或数据流向。这样可以清晰控制子任务依赖关系，避免并行冲突。CrewAI 的Flows支持定义顺序或并行的工作流，并会自动处理任务依赖。实际应用中，通常按以下步骤处理子计划：
- 任务分解：由 Planner Agent 将复杂任务拆解成相互依赖的子任务列表。
- 分支执行：将独立子任务分配给不同 Worker Agents 并行执行。
- 合并检查：当多个 Agent 输出潜在冲突结果时，由 Orchestrator 或 Reviewer Agent 审阅、合并或修正。
- 冲突仲裁：若子计划结果冲突，通过协商、票决或优先级规则解决，生成一致输出。
例如，LangGraph 可将依赖管理纳入图构建，而 CrewAI 允许开发者设置流水线中任务的执行顺序和条件，从而自然避免冲突。实战中可利用共享缓存或数据库作为 Agent 间共享的"资源调用链"，并在流程中插入锁、事务或重试逻辑来避免资源访问冲突。
跨 Agent Trace 跟踪模式
为了调试和评估，需要跟踪各 Agent 的状态与调用链。多 Agent 系统通常维护状态机或执行上下文来记录流程进展。在 LangGraph 中，Agent 之间通过图的状态进行通信，Graph 对象持久化全局状态，便于分析各 Agent 决策路径。CrewAI 的 Flows 则引入**执行上下文（States）**概念，用于保存每一步的环境数据和中间结果。这种设计保证了流程在状态转换时具有可追溯性。
监控方面，CrewAI 提供了Tracing & Observability功能，可实时监控 Agent 及工作流的指标和日志；LangGraph 则与 LangSmith 集成，记录运行过程中的状态快照和日志。在实践中，可为每次 Agent 交互生成唯一 Trace ID，将日志和调用上下文关联起来。可视化方面，可使用 Mermaid 流程图或终端输出形式表示 Agent 执行路径。例如，下图为一个简化的多 Agent 协作流程示意：
此外，应在日志中记录关键状态与输入输出。可在 CrewAI 或 AutoGen 代码中使用回调函数，将每个 Agent 决策详情输出到统一日志中，以便后续关联分析。LangSmith 和 CrewAI 的控件下可自动捕获上下文，使得日志与调用上下文一一对应，方便定位问题。
资源限额控制与防滥用
多 Agent 协同易产生超量调用和成本开销，需要对资源做严格限制。常见策略包括：
- Token/调用次数配额：为每个 Agent 或整个工作流设置 Token 上限、并发调用限制等。CrewAI 的 Agent 配置支持
max_rpm来限制 API 调用频率，以及max_execution_time、max_iter等参数控制执行预算。 - 预算监控：集成监控组件，记录模型调用成本和资源使用情况，超出阈值时终止或降级处理。LangGraph 可借助 LangSmith 监控 Token 使用，CrewAI Enterprise 套餐也提供统一预算和警告策略。
- 失败重试与熔断：在调用超时或失败时及时停滞重试。CrewAI 允许设置最大重试次数
max_retry_limit，避免因 Agent 故障导致无限循环。 - 恶意输入过滤：对用户输入进行格式和长度校验，使用内容审查或黑白名单拦截滥用。虽在开源框架中需自行实现，Cockpit 级别可在调用链前后插入校验工具。
总之，通过在 Agent 配置中设置max_rpm等限额（如示例中将max_rpm=10限制调用频率），并结合全局监控，可有效控制成本、防止滥用。
实例演示：端到端多 Agent 流水线
下面给出一个基于 AutoGen/CrewAI 的示例流程：用户提出任务，由Planner Agent生成任务分解方案，随后多个Worker Agents执行子任务，一位Reviewer Agent检查合并结果，最终由Orchestrator Agent做出决策治理。假设使用 AutoGen 实现，可采用 RoundRobin 对话或 CrewAI 的 Crews+Flows 模式。总体流程如下：
- 任务规划：Planner Agent 接收用户需求，调用大模型生成子任务列表。
- 并行执行：将子任务分发给不同 Worker Agents，各自调用模型或工具并返回答案。
- 审阅整合：Reviewer Agent 收集并评估 Workers 输出，对不一致部分修正或补充信息。
- 决策治理：Orchestrator Agent 基于 Reviewer 结果判断最终输出，如触发额外步骤或结束任务。
该示例可本地部署，使用开源模型（如 Qwen、DeepSeek 等，通过 Ollama、vLLM 等运行）。组件可可视化：采用 Mermaid 画出流程图（如上所示）、或在控制台输出每个 Agent 调用细节。日志方面，为每一轮对话或 Agent 执行记录输入输出、执行时间等，并通过上下文 ID 关联。LangGraph 案例可利用 LangSmith 记录并回放 Agent 交互；CrewAI 可启用 Tracing 模块输出时间线。最终，通过上述设计，即可实现一个可运行的多智能体协同系统，从规划→执行→审稿→决策治理全流程皆可监控与管控。
总结
多智能体协同通过角色分工、共识机制、任务合并、跟踪模式和资源控制等技术，实现复杂任务的高效完成。LangGraph、AutoGen 和 CrewAI 等框架提供了强大的工具支持，帮助开发者构建可扩展的智能体系统。合理应用这些技术，可以显著提升 AI 应用的效率和可靠性。