多智能体系统（Multi-Agent Systems，MAS）由多个智能体在共享环境中共同解决问题，交互方式可以是协作，也可以是竞争。每个智能体都是具有一定自主能力的实体，能够理解环境、作出决策并执行操作。通过相互交互，它们可以处理单个集中式系统难以完成的复杂任务。现代 AI，尤其是大语言模型（LLM）的发展，提高了智能体的推理和通信能力，使这种设计受到更多关注。
本课介绍多智能体系统的技术概念，讨论适用情况及使用原因，并引入 LangGraph 之外的另一个实现框架 CrewAI。还将讨论通过 Agent-to-Agent（A2A）协议，使不同框架或语言实现的智能体相互通信。
多智能体系统的含义
多智能体系统是一组相互独立、能够交互的智能体。这里的智能体通常是目标导向、具有自主能力的 AI 软件实体，能够在无需持续直接干预的情况下作出决策。每个智能体通常只掌握部分知识和局部状态，不一定有任何一个智能体了解整个系统的全部情况。它们通过协调和通信完成任务。控制和智能可以分布在多个智能体之间，也可以通过管理者组织协作。
形式上，MAS 可以定义为“由多个相互交互的智能体组成的计算机系统”。智能体彼此交互，也与共享环境交互。环境可以是数据仓库、网络或模拟世界，也可以是机器人所在的工厂等物理空间。交互包括为共同目标合作，协调任务依赖与执行顺序，以及在目标不同时进行竞争。
MAS 中智能体的主要特征
- 自主性：智能体能够控制自身操作和内部状态，至少部分行为无需直接人工干预。
- 局部视角与有限知识：智能体通常了解自身状态及部分环境。整体能力来自智能体之间共享信息，不要求单个智能体了解所有方面。
- 分布式控制：控制可以分散在多个智能体之间，系统行为由交互共同形成。设有 manager 或 supervisor 时，它通常负责协调，也可以承担集中决策职责。
这些特征使多智能体系统可能出现自组织和复杂的涌现行为。集体行为可能超出各个智能体独立行为的简单相加，因此这种系统适合某些类型的问题，也成为讨论 AI 未来发展的重要方向。
例如，仓库中的配送无人机各自提取和运送包裹，同时避开碰撞并优化路线。每架无人机通过局部决策，以及与调度智能体或其他无人机通信，共同改善物流效率，因此无需掌握所有包裹的完整计划。这种自主实体协作形成的系统，可以完成单架无人机按预先规定路线难以实现的任务。
基于 LLM 的现代智能体还能够在各自角色中使用复杂推理、自然语言和学习策略。例如，一个智能体理解指令、制定计划或归纳资料，再与其他智能体共同完成复杂任务。当单个智能体或程序不足以完成任务，或者效率较低时，多实体协作可以成为适当设计。
为什么以及何时使用多智能体系统
多智能体系统在复杂、大规模问题中具有多项潜在优势，也带来相应代价。
- 分布式问题求解：可以将复杂问题划分为多个子任务，并行交给不同智能体，每个智能体专注一个方面。例如，旅行规划包含查看天气、寻找航班、预订酒店等任务，可以由专门智能体分别处理，再组合为完整计划。并行处理可以缩短时间，也有助于为每个子问题选择有效方法。
- 专业化能力：每个智能体可以针对特定角色或领域优化提示、训练方法或算法，并使用专门知识库和工具。一个智能体可以使用能力较强的 LLM 理解用户需求，另一个则使用较小模型或固定算法完成计算和数据库查询。将各自能力集中到适合的任务，有机会改善效果。
- 模块化与可维护性：各智能体处理不同任务范围，形成明确职责。增加新能力时可以增加智能体，修改现有逻辑时也更容易控制影响范围。调试和测试时，可以定位负责某项功能的智能体，无需分析一个包含所有行为的庞大提示或程序。
- 降低单个智能体的复杂度：过多工具和指令可能增加 LLM 的处理负担，使工具选择错误或幻觉增多。职责明确、只配置两个相关工具的智能体，通常比同时选择十个工具和多类任务更容易保持可靠。较小的提示和上下文也更便于管理，有助于减少信息混淆和误用。
- 稳健性与容错：一个智能体失败时，其他智能体可能发现并纠正问题。通过冗余或交叉核查，可以减少单个组件出错对整体的影响。合理设计能够降低单点故障风险。例如，监督智能体发现执行异常后，将任务转给其他智能体或尝试另一种策略。外部检查可以帮助提高整体可靠性。
- 扩展能力：需求增加时，可以增加专门智能体，无需持续扩大同一个智能体的职责。例如，电商助手需要推荐相关商品时，可以将推荐智能体加入已有团队，并尽量减少其他部分的变更。
- 适合分布式环境：某些问题天然涉及不同地点、参与者或独立数据来源。例如，各地区仓库分别由智能体管理，市场中的买家和卖家各自拥有谈判智能体。MAS 能够直接表达这些参与实体及其交互关系。
当任务能够自然划分为由独立参与者处理的子任务或领域，或者单智能体开始遇到复杂度和可靠性限制时，可以考虑 MAS。一个智能体同时回答问题、计算、查询数据库和控制设备，可能意味着划分角色更有帮助。尤其适合以下情况。
- 任务涉及明显不同的数据来源或技能，例如个人助手需要网页研究、计算和起草邮件。
- 工作流程包含复杂的顺序或并行步骤，例如规划、执行和验证分别由一个智能体或团队负责。
- 环境天然分布式或涉及多个参与者，例如经济、交通模拟，或者分别监控不同服务器的网络管理智能体。
- 需要提高可靠性，并愿意承担更多组件和流程管理工作。
- 长期项目重视扩展和维护，需要在需求变化时管理多个较小的智能体。
如果单个智能体或固定工作流程已经足以解决问题，增加智能体可能带来多余开销。应遵循 KISS，即保持设计简单的原则，仅在任务确有需要时采用多智能体架构。
多智能体系统如何工作：架构与通信
设计 MAS，需要确定智能体如何组织和通信，并使它们能够协调操作以完成整体目标。
一个重要选择是集中式、分布式或混合架构。
- 集中式架构：一个或少数智能体承担管理和监督职责，分配任务、传递信息并汇集结果。其他智能体作为执行者或专家向管理者报告。这使协调较为直接，也便于整体决策，但中央智能体失败或成为性能瓶颈时，会影响系统。
- 分布式架构：智能体大体平等，通过点对点通信及约定协议进行协商和合作。整体方案由交互形成，可能具有较好的容错和扩展能力，但缺少中央协调者时，需要更仔细地保证行为一致。网络路由、群体机器人和重视容错的系统常使用这类方式。
- 混合架构：结合两者，例如每组智能体有局部负责人，或者中央智能体负责部分决策，其余由成员协商。多层级管理结构也是常见形式，包括管理者、下一级管理者及执行者。
基于 LLM 的系统常使用层级监督模式。顶层 Supervisor Agent 将用户请求或复杂任务划分为若干部分，交给对应 Specialist Agents。每个专家智能体在自己的领域内相对独立地完成任务，监督者再汇集为最终结果。许多 Deep Research 系统也采用类似结构。
通信与协调
无论采用何种架构，智能体都需要交换信息、请求帮助和同步状态。常见通信方式包括以下两类。
- 直接消息：一个智能体直接向另一个发送消息，例如调用其函数、API 或网络服务，类似微服务之间的调用。双方需要知道对方地址，并理解消息格式。
- 通过共享环境间接通信：智能体读取和写入共同数据存储或状态。例如，使用共享记事板模型，将信息或任务放入共享记忆，其他智能体关注相关更新。发送者和接收者因此无需直接知道彼此地址。
通信设计需要规定消息结构或协议。现代 LLM 智能体常通过 HTTP 等网络协议发送 JSON，例如向服务端点提交包含任务和上下文的消息。同一进程内的智能体，也可以直接调用函数或方法，传递 Python 字典或对象。
不同框架之间的互操作是一个持续发展的领域。LangChain、LangGraph、CrewAI 和自定义实现需要共同接口，以便相互通信。A2A（Agent-to-Agent）协议是一种标准化方案，通过 API 和消息 schema 描述智能体能力及交互方式。遵循同一协议后，LangGraph 智能体可以调用 CrewAI 智能体，反向调用也同样成立。
例如，监督者使用 Python 和 LangGraph 实现，某个专家则使用其他框架或语言。只要双方通过符合 A2A 规范的接口交换结构化消息，监督者就可以提交任务并接收结果。将智能体放在统一 API 后面，有助于为各角色选择适当工具，而无需全部使用同一框架。
MAS 还需要协调和冲突处理机制。存在依赖的任务应按正确顺序执行，目标冲突需要协调，共享资源修改也需要防止碰撞，例如两个智能体同时更新同一数据库记录。这些问题涉及多智能体规划、协商协议和共享记忆管理。在合作型助手中，监督者可以负责安排适当任务及时间；更分散的系统可能需要共识、负责人选举或事务机制。多智能体带来能力与灵活性，也需要仔细设计协作方式。
Amazon 购物助手的多智能体实现
可以将课程中的购物助手扩展为多智能体系统：除浏览商品及查询评论外，还支持管理购物车和下单。这涉及不同任务和数据来源，适合研究多智能体设计。
用户可以要求寻找“500 美元以内、电池续航时间长的相机”，询问“其他人如何评价这款相机的续航”，要求“将它加入购物车”，并继续查询“下周之前能送到吗”等配送信息。
可以为单个智能体配置库存、评论、购物车和下单工具，但随着职责增加，提示需要说明越来越多的操作和数据，出错概率也可能增加。采用专门智能体协作，可以更清楚地组织这些能力。
购物助手中的智能体角色
- Product Inventory Agent：搜索商品目录和库存，获取名称、价格、规格及库存数量。对于特定条件的商品查询，可以搜索库存数据集的向量数据库。若要检查实时库存及剩余数量，还需要能够访问仓库数据的工具。
- Reviews Analysis Agent：处理用户评论和评分。用户询问相机续航评价时，检索相关评论，归纳内容或分析情感，并通过 LLM 提取优点和缺点。
- Shopping Cart Management Agent：添加或移除商品、修改数量，也可以建议配套商品。用户要求添加商品或查看购物车时，通过购物车数据库执行操作，并确认结果或列出当前商品。
- Ordering/Checkout Agent：处理结账、配送和可购买情况。它可以核查所在地区是否支持商品配送，或选择能够最快发货的仓库。用户询问星期二前能否送达时，检查配送方式和仓库库存分布。付款处理通常由安全的外部流程完成，智能体可以组织相关步骤；测试环境也可以使用专门测试流程。
- 可选 Recommendation Agent：根据购物车或用户查询推荐相关商品，支持追加推荐或交叉销售。实现可以采用推荐算法或基于历史数据的协同过滤。
通常还需要 Supervisor 或 Orchestrator Agent 协调这些角色，用户交互的 Shopping Assistant 本身就可以担任这一角色。它决定哪个专家负责当前请求，并进行委派。复杂请求可能需要连续调用多个智能体，例如“找到评分高、价格低于 500 美元的相机，有库存就加入购物车，并说明何时送达”，依次需要库存搜索、评论检查、加入购物车和配送估算。监督者负责组织顺序并保留整体对话状态。
框架与互操作
多个专门智能体协作，可以完成单个通用智能体难以处理的任务，或提高效率和稳健性。LangGraph 提供详细控制，适合自定义工作流程；CrewAI 提供角色和团队等抽象，并通过其过程管理组织协作。两者也可以结合，借助 A2A 等标准实现不同框架之间的互操作。
这一领域持续出现新的流程管理工具、标准接口和实践方法，帮助构建可靠的多智能体 AI 系统。