第 10 章：多智能体系统：专业化与协作

多智能体协作能将复杂任务拆解为专业化角色，提升可维护性与扩展性。

多智能体架构的优势：应对复杂性与工具过载

在实际应用中，多智能体系统（Multi-agent systems） 的核心思想是将复杂应用拆解为多个**专业化（specialized）**智能体，各自负责不同子任务并协同解决问题。这种架构有效克服了单一智能体在面对复杂任务时的局限性。

多智能体架构尤其适用于以下场景：

• 工具过载：当单个智能体拥有过多工具时，难以做出合理决策，影响性能。
• 上下文和记忆限制：随着上下文或记忆增长，单智能体难以有效跟踪所有信息。
• 任务需要专业化：如规划、研究、数学等分工明确的任务。

通过组合多个专注于特定功能的智能体，可以构建有组织、协调的工作流，提升系统的可维护性和扩展性。

核心协作模式

多智能体系统主要采用两种核心协作模式实现智能体间的协调与控制。下表对比了这两种模式的关键特性，便于理解其适用场景。

下文将分别介绍两种协作模式的核心机制与应用场景。

工具调用：主管智能体调用子智能体作为工具

工具调用模式下，一个**控制器（controller）**智能体将其他智能体视为工具进行调用，实现任务编排。

• 控制器接收输入，决定调用哪个工具（即子智能体）。
• 工具智能体根据指令运行任务，并将结果返回控制器。
• 控制器根据结果决定下一步或结束任务。

该模式的关键特点是集中控制，主管智能体负责编排和路由。工具智能体不直接与用户交互，仅作为任务执行者。主智能体通过工具定义访问子智能体。

交接：智能体间转移控制权

交接模式下，当前活跃智能体决定需要另一个智能体协助，并将控制权和状态传递给下一个智能体。

• 分散控制，智能体可动态改变当前活动执行者。
• 新的活动智能体可以直接与用户交互。
• 适用于专家接管或多领域话题的复杂对话场景。

跨智能体上下文工程：定制输入、输出与提示

在多智能体设计中，上下文工程（Context Engineering）是系统质量的核心。目标是确保每个智能体都能访问执行任务所需的正确数据，无论其作为工具还是活跃智能体。

LangChain 提供了对跨智能体上下文的细粒度控制，主要包括：

• 输入定制：根据任务需求定制传递给子智能体的输入。
• 输出定制：控制子智能体返回给调用者的结果内容。
• 提示专业化：为子智能体量身定制专属提示。

定制工具调用的输入

控制主智能体传递给子智能体的输入至关重要：

• 可通过修改主智能体的系统提示，或调整子智能体的工具元数据（如名称和描述），更好地指导主智能体何时调用子智能体及传递哪些参数。
• 支持动态上下文注入，如消息历史、先前结果或任务元数据，通过调整工具调用从主智能体状态中提取所需信息。

定制工具调用的输出

控制子智能体返回内容，确保主智能体能正确解释结果：

• 通过细化子智能体提示，明确指定应返回的内容，避免常见的结果遗漏问题。
• 支持自定义输出格式化，可在代码中调整或丰富子智能体响应，如返回特定状态键或元数据，而不仅仅是文本。若需合并自定义状态，可采用封装结构（如 Command 或等效结构）。

跨智能体上下文工程确保即使在高度专业化的协作工作流中，每个智能体都能获得最精简和最相关的上下文，从而提升多智能体系统的可靠性与效率。

总结

多智能体系统通过专业化分工与协作，有效应对复杂任务、工具过载和上下文限制等挑战。合理设计协作模式与上下文工程，是提升系统可维护性和扩展性的关键。随着智能体技术的发展，多智能体架构将在智能应用领域发挥更大价值。