第 28 章 案例四 多智能体协作系统

作者:前端阿凡日期:2026/9/27

第 28 章 案例四:多智能体协作系统

本章要解决的问题

行业分析报告需要研究员、数据员、写手协作完成——多智能体系统的拓扑、通信、可观测性实战。

章节大纲

  • 28.1 多 Agent 拓扑设计(主从 + 流水线)
  • 28.2 通信协议与任务编排
  • 28.3 可观测性与调试
  • 28.4 上线与迭代
  • 🛠 解决方案:多智能体上下文隔离方案 + 协作效率度量

28.1 场景与拓扑设计

28.1.1 场景:行业分析报告生成

业务:投研团队要生成行业分析报告,人工流程:

1研究员查资料 → 数据分析师算指标 → 写手撰写 → 分析师复核
2

为什么适合多智能体(第 16 章三个信号全中):

  • 专业隔离:研究员/分析师/写手的角色与工具完全不同。
  • 上下文隔离:各角色的工作上下文都很大,混在一起会互相污染。
  • 并行收益:部分子任务可并行。

28.1.2 拓扑选择:主从 + 流水线混合

1                    ┌──► [研究员 Agent] 查资料 → 事实摘要
2                    │        │
3[主管 Agent] 接任务 ─┼──► [数据分析师] 算指标 → 数据结论
4    │ 拆解/派活/汇总  │        │
5    │               └──► [写手 Agent] 撰写报告
6    │                      │
7    └──► [复核 Agent] 质检 → 通过 → 交付 / 不通过 → 打回
8

图 1:主从+流水线混合拓扑

设计要点(第 16 章原则):

  • 主管-工人:主管负责拆解、派活、汇总——职责清晰。
  • 流水线尾部:研究员/分析师 → 写手 → 复核,顺序推进。
  • 复核即质检:复核 Agent 是对整个系统的"最后防线"(呼应第 17 章自检)。

28.1.3 角色定义(第 16 章角色四原则)

示例代码:以下代码演示核心结构,省略了异常处理、日志和完整 import。

1ROLES = {
2    "supervisor": {"role": "项目主管:拆解任务、派发给 worker、汇总质检"},
3    "researcher": {"role": "行业研究员:检索资料,输出事实与数据摘要",
4                   "tools": ["search", "web_fetch"]},
5    "analyst":   {"role": "数据分析师:计算行业指标,输出趋势判断",
6                  "tools": ["calculator", "data_query"]},
7    "writer":    {"role": "报告写手:基于研究+分析结果撰写结构化报告",
8                  "tools": []},
9    "reviewer":  {"role": "报告复核员:检查报告准确性、完整性、逻辑性",
10                  "tools": []},
11}
12

角色单一职责:写手没有检索工具(最小权限),复核员不写内容(避免"既当运动员又当裁判")。

28.2 通信协议与任务编排

28.2.1 通信模式:结构化传递(第 16 章)

不用自由对话(群聊会失控),用结构化传递——每个 worker 只输出 JSON 结果:

1# 研究员输出(数据契约)
2researcher_output = {
3    "findings": [{"topic": "市场规模", "fact": "...", "source": "..."}],
4    "summary": "行业规模约 X 亿元,增速 Y%",
5}
6
7# 分析师输出
8analyst_output = {
9    "metrics": {"market_size": 1200, "growth": 0.15, "concentration": "高"},
10    "trend": "头部集中度提升",
11}
12
13# 写手输入:只接收上面两个结构化结果(不接收原始聊天)
14writer_input = {"research": researcher_output, "analysis": analyst_output}
15

28.2.2 主管编排:任务图(第 15/16 章)

1TASK_GRAPH = {
2    "researcher": {"depends_on": [], "parallel_group": 1},
3    "analyst":    {"depends_on": [], "parallel_group": 1},   # 与研究员并行
4    "writer":     {"depends_on": ["researcher", "analyst"]},
5    "reviewer":   {"depends_on": ["writer"]},
6}
7
8def orchestrate(goal, budget):
9    # 伪代码:Agent、ROLES、run_worker 为编排框架的封装,此处仅示意调度结构
10    supervisor = Agent(role=ROLES["supervisor"])
11    results = {}
12    # 第一波:并行跑研究员 + 分析师(第12章)
13    group1 = [run_worker("researcher", goal), run_worker("analyst", goal)]
14    results["researcher"], results["analyst"] = asyncio.gather(*group1)
15    # 第二波:写手(依赖前两者)
16    results["writer"] = run_worker("writer", results)
17    # 第三波:复核(质检,第17章)
18    review = run_worker("reviewer", results)
19    if not review["pass"]:
20        results["writer"] = revise_writer(results, review["issues"])
21        review = run_worker("reviewer", results)   # 复核重跑
22    return synthesize(results, review)
23

图 2:任务编排图

编排要点:并行组用 asyncio.gather;依赖关系用任务图(depends_on);复核不通过打回写手(闭环)。

28.2.3 上下文隔离:按需投喂(第 16 章核心)

1def run_worker(name, context):
2    # 只给该 worker 需要的部分(不广播全量)
3    if name == "researcher":
4        feed = {"goal": context["goal"]}                    # 只要目标
5    elif name == "analyst":
6        feed = {"goal": context["goal"], "data": context["raw_data"]}
7    elif name == "writer":
8        feed = {"research": context["researcher"],          # 只吃结构化结果
9                "analysis": context["analyst"]}
10    return worker_call(name, feed)
11

隔离三手段(第 16 章):输入隔离(按需投喂)+ 输出隔离(只交换 JSON)+ 状态隔离(各 worker 独立)。

28.3 可观测性与调试

28.3.1 多智能体的可观测性:比单 Agent 难 10 倍

多智能体出问题,可能是:主管拆解错、某个 worker 算错、上下文串扰、通信协议断……没有全链路 trace,根本无从查起。

28.3.2 分层 trace(第 21 章扩展)

1TRACE = {
2    "trace_id": "t-multi-001",
3    "task": "生成半导体行业分析报告",
4    "spans": [
5        {"span_id": "supervisor-plan", "type": "llm",
6         "worker": "supervisor", "output": "计划: 研究员+分析师并行→写手→复核"},
7        {"span_id": "researcher-1", "type": "llm", "worker": "researcher",
8         "input_feed": "目标摘要",          # 记录投喂内容(可查串扰)
9         "output": "发现3条事实"},
10        {"span_id": "analyst-1", "type": "llm", "worker": "analyst",
11         "input_feed": "原始指标数据", "output": "结论: 增长 15%"},
12        {"span_id": "writer-1", "type": "llm", "worker": "writer",
13         "input_feed": "研究+分析结果", "output": "报告草稿"},
14        {"span_id": "reviewer-1", "type": "llm", "worker": "reviewer",
15         "output": "不通过: 市场规模数据无出处"},
16    ],
17}
18

图 3:多智能体分层 trace

关键记录点:每个 worker span 要记录投喂了什么(input_feed)——串扰排查时,看"这个 worker 到底看到了什么"。

28.3.3 常见多智能体故障定位(第 21 章分类)

现象trace 特征修复
报告内容不对某个 worker 输出异常看该 worker 的 input_feed 是否被污染
任务卡住某 span 超时检查该 worker 的工具/依赖
越权操作worker 调了角色外的工具检查权限配置(第 22 章)
复核长期不通过打回循环复核标准太严或写手没接到意见(加轮数上限)

28.4 上线与迭代

28.4.1 上线检查(第 22 章清单应用)

检查项说明
角色最小权限每个 worker 只配必需工具
上下文隔离按需投喂 + 结构化传递
停止条件复核打回上限(2 次)
预算熔断单任务费用上限
trace 开启全链路留痕

28.4.2 协作效率度量(第 20 章四维指标扩展)

多智能体要多看两个指标:

图 4:协作效率指标

指标说明健康值
协作效率有效产出 / 总调用次数高(别让 worker 空转)
返工率复核打回次数 / 总任务低(写手一次写对)
上下文隔离度串扰事件数(trace 中查)0
单任务成本/延迟第 20 章标准指标有基线

"多智能体不是越多越好":如果协作效率低(大量空转调用),说明任务不需要这么多 Agent——回退到单 Agent 或提示链(第 16 章立场:先证明单 Agent 不行再上)。

28.4.3 迭代节奏

1上线 → 每周抽 10 份报告人工评质量(第20章抽评)
2  → 收集失败案例 → 更新角色提示词/任务图
3  → 评测回归 → 灰度 → 上线
4

🛠 解决方案:多智能体上下文隔离方案 + 协作效率度量

常见问题

  1. "worker 互相污染上下文":广播投喂。对策:按需投喂 + 结构化传递(28.2.3)。
  2. "复核反复打回,任务卡死":无打回上限。对策:打回上限 2 次 + 超限转人工(28.3.3)。
  3. "写手瞎编数据":数据没传给写手或传了原文。对策:写手只吃结构化结果 + 复核查出处(28.2.2)。
  4. "某 worker 越权调工具":权限没按角色配。对策:RBAC + 工具白名单(第 22 章)。
  5. "多智能体比单 Agent 还慢还贵":任务不需要多 Agent。对策:评估协作效率,回退到单 Agent/提示链(28.4.2)。

解决方案速查表

现象根因解决方案
上下文串扰广播投喂按需投喂 + 结构化传递
复核卡死无打回上限上限 2 次 + 转人工
写手编数据无结构化输入只吃 JSON + 复核查出处
worker 越权权限未配RBAC 白名单
又慢又贵过度多 Agent回退单 Agent

实战提示

  1. 默认主从 + 流水线混合:主管拆解、worker 干活、复核兜底——最稳形态(第 16 章)。
  2. 上下文隔离是第一原则:input_feed 记录投喂内容,串扰一眼可见。
  3. 复核要"独立裁判":复核员不写内容、不给写手工具,保持中立。
  4. 打回要有上限:2 次打回后转人工,别让系统自己绕圈。
  5. 用协作效率说话:多智能体跑得值不值,看指标,不看"看起来高级"。

参考文档


《第 28 章 案例四 多智能体协作系统》 是转载文章,点击查看原文。


相关推荐


第28课-AJAX与前端框架
qq_269506752026/9/20

第 28 课:AJAX 与前端框架 本课目标:掌握 AJAX 异步请求、Fetch API、async/await 语法,了解 Vue.js 基础用法和 SPA 单页应用概念,能够实现前后端数据交互。 一、概念讲解 1.1 什么是 AJAX AJAX(Asynchronous JavaScript And XML)异步 JavaScript 和 XML,是一种在无需重新加载整个页面的情况下,与服务器交换数据并更新部分网页内容的技术。 1.2 AJAX 工作流程 ┌───


【AI大模型接入SDK】ChatGPT API
艾莉丝努力练剑2026/9/12

🎬 个人主页:艾莉丝努力练剑 ❄专栏传送门:《C语言》《数据结构与算法》《C/C++干货分享&学习过程记录》 《Linux操作系统编程详解》《笔试/面试常见算法:从基础到进阶》《Python干货分享》 ⭐️为天地立心,为生民立命,为往圣继绝学,为万世开太平 🎬 艾莉丝的简介: 文章目录 1 ~> OpenAI API 体系与版本演进1.1 两套核心 API 定位1.2 核心能力对比1.3 官方选型建议 2 ~> Chat Completion


最新大数据毕业设计选题推荐-基于大数据的电商与本地服务消费评论数据可视化分析-大数据-Spark-Hadoop-Bigdata
IT研究室2026/9/4

✨作者主页:IT研究室✨ 个人简介:曾从事计算机专业培训教学,擅长Java、Python、微信小程序、Golang、安卓Android等项目实战。接项目定制开发、代码讲解、答辩教学、文档编写、降重等。 ☑文末获取源码☑ 精彩专栏推荐⬇⬇⬇ Java项目 Python项目 安卓项目 微信小程序项目 文章目录 一、前言二、开发环境三、系统界面展示四、代码参考五、系统视频结语 一、前言 系统介绍 本系统《基于大数据的电商与本地服务消费评论数据可视化分析》以Hadoop分布式文件系


MySQL DQL全面解析:从入门到精通
渣渣盟2026/8/27

​ 在数据库的广阔天地中,MySQL 凭借其开源、高效、易用等特性,成为了众多开发者的首选。而在 MySQL 的众多功能中,数据查询语言(Data Query Language,简称 DQL)无疑是最为常用且强大的部分之一。通过 DQL,我们可以从数据库中检索出所需的数据,进行各种复杂的数据分析和处理。本文将深入探讨 MySQL DQL 的各个方面,帮助你全面掌握这一重要技能。 一、DQL 基础:SELECT 语句入门 DQL 的核心是 SELECT 语句,它的基本语法如下: SELECT co


我做了一个软著 Skill,可以一键生成申请材料
IvanCodes2026/8/19

Hello,大家好,我是Ivan。 大家做完一个项目以后,可能会遇到一个问题,需要申请软著。这时候,申请表、操作手册和代码材料就都需要重新整理一遍,很麻烦,浪费时间。 所以,我把这部分做成了一个软著 Skill,名字叫 software-certificate-skill。把项目交给它以后,它会读取项目里的代码、页面和接口,然后生成申请表信息、操作手册和代码材料。 skill已经开源了,github链接是 https://github.com/IvanCodesDev/software-c


鸿蒙应用开发:V1与V2版本数据持久化实战教程
程序员黑豆2026/8/6

这是一个使用鸿蒙技术开发的本地原生记账应用,非常适合大家用来练手。相关源码已上传至 Github,点击此处查看项目。欢迎大家交流、指正,也欢迎提交 PR。 一、引言 在鸿蒙应用开发中,数据持久化是构建完整应用体验的关键一环。无论是保存用户的登录状态、个人偏好,还是缓存应用的核心数据,都需要一套可靠且高效的持久化方案。随着HarmonyOS版本的演进,数据持久化能力也从V1版本进化到了V2版本,带来了更强大的功能和更灵活的使用方式。 本文将深入对比V1(PersistentStorage + A


上线一个人静态网站需要多少钱,难不难?
五阳2026/7/28

不难,有合法身份证就能办,只需要花费 10 元,就能发布一个网站。 但是有门槛,先说门槛,如果你的网站需要中国大陆访问,那么必须要域名备案,不同省份等待时间不同。不过最多两周,最少 1 周也能审核完成。 有人问域名不备案就访问不通吗?不是的,我在阿里云申请的域名还没来得及备案,据我观察,大约有 2-3 周时间内,是允许中国大陆用户访问的,但是三周以后如果你还没有备案,那么就会被封掉,但是海外用户还能访问。 这是上线一个网站最困难和煎熬的环节了。 注意:国内个人用户备案域名,只能备案个人博客用途,


Agentic RAG 入门:从固定检索到自主决策
copyer_xyf2026/7/20

普通 RAG 的思路很直接:用户提出问题,系统从知识库检索相关片段,再让大模型根据这些片段生成回答。 这条链路解决了一个重要问题:模型不必只依赖训练时记住的知识,而是可以在回答前读取企业文档、产品手册、业务数据等外部资料,再根据资料组织答案。 但传统 RAG 的执行流程通常是固定的。这里的“固定”,不是说每次召回的文档都相同,而是说无论用户问什么、检索结果质量如何,程序都会按照上图展示的同一条路径执行。它不会在运行过程中重新判断,也不会主动改变检索策略。 但是,这种固定流程会遇到几个实际问题:


AEO 答案引擎优化:从“被搜索”到“被引用”的 AI 营销下一站
A亨日记2026/7/11

一、AI 正在改写“搜索”的默认行为 过去二十年,用户打开百度、Google 的第一件事是输入关键词,然后在十条蓝色链接里选择。但今天,越来越多的人直接向 DeepSeek、豆包、Kimi、ChatGPT 提问,并期待得到一个“直接可用”的答案。 这意味着企业的营销目标正在发生根本转移: SEO 时代:争取搜索结果页的前十排名;GEO 时代:争取被生成式引擎在回答中主动引用;AIO 时代:用结构化数据与反馈闭环持续优化 AI 对企业的“认知”;AEO 时代:直接为答案引擎生产“可被引用的高置信度


解决方案十八-企业级发音评测技术使用
Liu202605172026/7/3

在人工智能与教育深度融合的今天,语音评测技术(Speech Evaluation)已成为语言学习、在线教育、智能客服等领域的核心基础设施。无论是英语四六级口语考试、普通话水平测试,还是儿童语言启蒙应用,都离不开稳定、精准的语音评测能力。 然而,对于许多前端开发者而言,语音评测似乎总隔着一层“黑盒”——如何从前端采集音频?如何与云端AI服务建立稳定连接?如何处理流式数据并实时展示评测结果?这些问题往往让人望而却步。 本文将带你从零开始,基于Vue.js和WebSocket协议,构建一个完整的语

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读