多智能体系统架构解析

架构精进之路

发布于 2025-09-02 11:54:21

22300

代码可运行

文章被收录于专栏：架构精进之路架构精进之路

运行总次数：0

代码可运行

一、问题思考

在 AI 快速发展的今天，我们能明显感受到不同智能系统的差异：有的擅长自然对话，有的依托技能点精准响应。

deepseek（自然对话） vs 豆包（技能点模式）：

这种技术架构的差异，直接导致二者在使用方式、适配场景与用户体验上呈现显著不同。

而多智能体系统，正是通过独特的架构设计，让 AI 突破单智能体的能力边界，实现更复杂的任务协作。

二、多智能体系统介绍

2.1 概念简介

多智能体系统（Multi-Agent Systems, MAS）是相对单智能体系统（Single-agent System）而言。

多智能体组成虚拟团队，模拟人类专业协作模式，以解决超越单智能体能力边界的复杂问题。

其实和人类很像，一个人的大脑装太多信息会影响效率，单智能体面对复杂任务时，稳定性和能力都会受限。而多智能体系统，就像组建了一个虚拟专业团队，通过模拟人类协作模式解决复杂问题。
正所谓“术业有专攻”，一个人的力量，永远抵不过一个专业的团队。

这就是 MAS，即多智能体系统设计的初衷。

2.2 技术本质

MAS 技术本质是分布式系统思想 的延续，构建分布式认知网络，通过智能体（Agent）间的目标驱动协作与环境交互反馈，实现超越单智能体能力边界的复杂问题求解。

MAS 的技术独特性：

功能节点从预定逻辑功能（eg. 数据库节点、计算节点）提升为具备意图推导能力
通信内容从结构化数据升级为自然语言指令
决策机制从中心控制变为协商自治

基于以上三点，让多智能体之间像专业团队一样 “各司其职、灵活协作”。

三、LangGraph 多智能体系统

从极具代表性的 AI 框架中汲取本质思想（MAS 架构的实践典范）

3.1 多智能体架构

在多智能体系统中，有几种连接智能体的方法：

网络：每个智能体都可以与其他所有智能体进行通信
监管智能体：每个智能体与单个监管智能体进行通信
监督者（工具调用）：这是监督者架构的一种特殊情况,单个智能体可以表示为工具
分层式：你可以使用超级监督智能体定义一个多智能体系统
自定义：每个智能体仅与一部分智能体进行通信

3.2 核心概念

Command

LangGraph 中构建多智能体架构的新工具/语法糖

Command = 更新状态（节点） + 控制流（边）（即让Agent 知道 “下一步做什么、状态怎么更新”）

const myNode = (state: typeof StateAnnotation.State) => {
  return new Command({
    update: { foo: "bar" },
    goto: "other_subgraph", // where `other_subgraph` is a node in the parent graph
    graph: Command.PARENT,
  });
};

Handoffs

多智能体交互中的一种常见模式，即一个智能体将控制权交接给另一个智能体。

# With type hints, you can specify the possible nodes this can go to.
def agent(state: MessagesState) -> Command[Literal[..., END]]:
    ...
    return Command(
	    goto=...,  # The next node(s) to go to
	    update={"messages": [response]}  # The update to apply to the state
	  )

两者的关联

关联代码实现：

// Define the nodes
const nodeASubgraph = async (_state: typeof StateAnnotation.State) => {
  console.log("Called A");
  // this is a replacement for a real conditional edge function
  const goto = Math.random() > .5 ? "nodeB" : "nodeC";
  // note how Command allows you to BOTH update the graph state AND route to the next node
  return new Command({
    update: {
      foo: "a",
    },
    goto,
    // this tells LangGraph to navigate to node_b or node_c in the parent graph
    // NOTE: this will navigate to the closest parent graph relative to the subgraph
    graph: Command.PARENT,
  });
};

const subgraph = new StateGraph(StateAnnotation)
  .addNode("nodeA", nodeASubgraph)
  .addEdge("__start__", "nodeA")
  .compile();

const parentGraph= new StateGraph(StateAnnotation)
  .addNode("subgraph", subgraph, { ends: ["nodeB", "nodeC"] })
  .addNode("nodeB", nodeB)
  .addNode("nodeC", nodeC)
  .addEdge("__start__", "subgraph")
  .compile();

await parentGraph.invoke({ foo: "" });

Command 驱动 Handoffs 的发生，而 Handoffs 是 Command 在智能体间传递的载体和实现方式。

四、其他多智能体系统探究

除LangGraph 框架之外，其他优秀的多智能体框架介绍：

4.1 AutoGen（Microsoft）

AutoGen 的核心价值：让 AI 协作 “像聊天一样自然”

1、基类与角色分工

核心基类：ConversableAgent 对话引擎
角色分工：AssistantAgent、UserProxyAgent、GroupChatManager

2、定义Agent + 定制交互逻辑

定义Agent：人类代理A、助手B
注册自定义回复函数：让Agent 具备智能响应能力

3、程序运行：对话驱动的任务执行

4.2 CrewAI（OpenAI）

CrewAI 既支持 “智能体自主协作”（Crew），也支持 “流程化精细编排”（Flows），覆盖从灵活创新到严格流程的多样化协作需求

Crew 模式
- Agent 拥有独立能力（LLM + Tools）和共享记忆，自主分工执行任务
Flows 模式
- 通过 Code 编排协作单元的交互，结合状态管理实现流程级精细控制

核心对比：

维度	Crew 模式	Flows 模式
控制粒度	智能体自主决策	代码定义的流程级控制
核心优势	灵活分工、自主协作	步骤精确、依赖清晰
典型场景	创意生成、多角色模拟	数据流水线、复杂工作流