多智能体协同深度指南（LangGraph、AutoGen、CrewAI 等）

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：

1. 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。
2. 分支执行：将独立子任务分配给不同 Worker Agents 并行执行。
3. 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。
4. 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：

1. 任务规划：Planner Agent 接收用户需求，调用大模型生成子任务列表。
2. 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。
3. 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。
4. 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。

多智能体系统中的智能体协调框架

在构建复杂的多智能体系统时，智能体（Agent）之间的协调是系统成功的关键。当单个强大的模型难以可靠地处理复杂、相互关联的任务时，多智能体系统将工作分配给专业化的智能体来解决问题。然而，这种协作带来了核心挑战：如何高效地协调这些智能体，并在不产生过多开销的情况下传递关键的上下文信息。

智能体协调框架的出现正是为了解决这些机制问题，从而避免大量的自定义开发工作。然而，框架的选择本质上是一种架构决策。接下来我们将介绍和对比主要智能体协调框架，并分析它们在不同多智能体架构（如集中式、分层式和混合式）下的适用性。

协调框架的核心挑战

尽管市面上存在多种协调框架，但它们都没有解决智能体之间高效上下文传递的根本问题。目前的方法要么是共享所有信息（成本高、速度慢），要么是共享摘要（丢失关键细节）。因此，在选择框架时，团队必须清醒地认识到，框架本身并未解决跨智能体的选择性、语义性上下文传输挑战，而这却是决定系统经济性（协调开销）的关键。

主要智能体协调框架介绍与对比

以下介绍的六个主要协调框架，以及它们的特点和适用场景：

LangGraph

LangGraph 将多智能体工作流建模为有向图（Directed Graphs）。在这种模型中，智能体充当节点（Nodes），通信充当边缘（Edges），状态流经整个图表。

• 核心优势： 提供了完整的状态管理和跨多轮交互的持久内存。它擅长处理复杂的条件流程，并将智能体交互建模为状态机。
• 架构匹配： 非常适合分层式（Hierarchical）和混合式（Hybrid）架构模式，因为它可以在同一系统中表示报告关系和对等连接。
• 最佳用途： 具有状态管理的复杂工作流，例如需要跟踪整个流程状态的客户入职系统。
• 局限性： 灵活性带来的高复杂性开销。

CrewAI

CrewAI 侧重于基于角色的智能体协作，拥有预定义的智能体角色和职责。

• 核心优势： 集中式编排（Centralized Orchestration）；所需配置最少；提供一致的角色行为（Persona）。
• 架构匹配： 倾向于集中式架构。
• 最佳用途： 基于角色的协作和快速原型设计，例如用于市场营销团队的内容自动化，其中研究员智能体、撰稿人智能体和编辑智能体各司其职。
• 局限性： 上下文控制有限。

Agno

Agno 强调高性能和高效率。

• 核心优势： 智能体创建时间极快（声称 2μs/智能体）；每个智能体的内存占用低（约 3.75 KiB）；支持多模态。
• 架构匹配： 适用于所有架构模式，但在毫秒级至关重要的高性能场景中进行了优化。
• 最佳用途： 高性能、高容量操作，例如需要同时分析数百只股票的实时交易系统。

Mastra

Mastra 为 Web 开发人员提供了一个 TypeScript 优先的多智能体系统设计。

• 核心优势： 原生 TypeScript 集成；可与现有 REST API 配合工作；基于图的工作流；无需单独的 AI 基础设施。
• 最佳用途： Web 应用程序和 TypeScript 项目。

Google ADK (Agent Development Kit)

Google ADK 提供了灵活的编排模式，并与 Google Cloud 生态系统深度集成。

• 核心优势： 灵活的编排；支持分层智能体组合；内置评估框架；原生 Vertex AI 集成。
• 架构匹配： 特别适合分层式架构，通过组合专业化智能体构建模块化和可扩展的应用。
• 最佳用途： 在 Google Cloud Platform (GCP) 上构建多智能体系统。

AWS Strands

AWS Strands 采用模型驱动的方法，侧重于与 AWS 服务集成。

• 核心优势： 模型驱动方法（模型管理规划和执行）；所需代码最少；原生 MCP 支持；通过 A2A 协议实现多智能体协作。
• 最佳用途： AWS 上的生产就绪型智能体。

框架与架构模式的匹配

选择协调框架必须与所需的架构模式保持一致。不同的框架设计倾向于支持特定的架构：

总结与架构选择的考量

选择协调框架，就意味着选择了系统处理信息流、故障容忍度和扩展模式的方式。

1. 基于需求选择框架： 框架的选择应基于实际需求，而不是功能列表。例如，如果首要目标是降低延迟和提高吞吐量，Agno 或 LangGraph 的并行能力可能更合适；如果目标是快速建立具有明确职责的团队，CrewAI 则提供了最快的路径。
2. 避免过度工程： 框架虽然提供了机制，但必须警惕协调开销可能会抵消专业化带来的收益。如果任务是顺序的、具有紧密依赖性，或者可以用一个设计良好的智能体和更好的提示工程来解决，那么复杂的框架只会成为不必要的开销。
3. 规划可移除性： 随着模型迅速改进，为克服当前模型限制而添加的复杂结构（如多步骤推理链）可能会在下一代模型出现时变得多余。因此，应规划结构，以便在更好的模型出现时，协调层能够被轻松移除或合并。

最终，协调框架就像是多智能体团队的“交通管制系统”：LangGraph 提供了灵活的“高速公路立交桥”来处理复杂的条件转向和状态持久化；CrewAI 则像一个提供清晰“岗位职责”和“团队领导”的简单组织结构。只有当这些工具与团队（架构）的工作模式完美契合时，系统才能高效运行。

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。