一、問(wèn)題思考

在 AI 快速發(fā)展的今天，我們能明顯感受到不同智能系統(tǒng)的差異：有的擅長(zhǎng)自然對(duì)話，有的依托技能點(diǎn)精準(zhǔn)響應(yīng)。

deepseek（自然對(duì)話） vs 豆包（技能點(diǎn)模式）：

圖片

圖片

這種技術(shù)架構(gòu)的差異，直接導(dǎo)致二者在使用方式、適配場(chǎng)景與用戶體驗(yàn)上呈現(xiàn)顯著不同。

而多智能體系統(tǒng)，正是通過(guò)獨(dú)特的架構(gòu)設(shè)計(jì)，讓 AI 突破單智能體的能力邊界，實(shí)現(xiàn)更復(fù)雜的任務(wù)協(xié)作。

圖片

二、多智能體系統(tǒng)介紹

2.1 概念簡(jiǎn)介

多智能體系統(tǒng)（Multi-Agent Systems, MAS）是相對(duì)單智能體系統(tǒng)（Single-agent System）而言。

多智能體組成虛擬團(tuán)隊(duì)，模擬人類專業(yè)協(xié)作模式，以解決超越單智能體能力邊界的復(fù)雜問(wèn)題。

其實(shí)和人類很像，一個(gè)人的大腦裝太多信息會(huì)影響效率，單智能體面對(duì)復(fù)雜任務(wù)時(shí)，穩(wěn)定性和能力都會(huì)受限。而多智能體系統(tǒng)，就像組建了一個(gè)虛擬專業(yè)團(tuán)隊(duì)，通過(guò)模擬人類協(xié)作模式解決復(fù)雜問(wèn)題。正所謂“術(shù)業(yè)有專攻”，一個(gè)人的力量，永遠(yuǎn)抵不過(guò)一個(gè)專業(yè)的團(tuán)隊(duì)。

這就是 MAS，即多智能體系統(tǒng)設(shè)計(jì)的初衷。

圖片

2.2 技術(shù)本質(zhì)

MAS 技術(shù)本質(zhì)是 分布式系統(tǒng)思想 的延續(xù)，構(gòu)建分布式認(rèn)知網(wǎng)絡(luò)，通過(guò)智能體（Agent）間的目標(biāo)驅(qū)動(dòng)協(xié)作與環(huán)境交互反饋，實(shí)現(xiàn)超越單智能體能力邊界的復(fù)雜問(wèn)題求解。

圖片

MAS 的技術(shù)獨(dú)特性：

• 功能節(jié)點(diǎn)從預(yù)定邏輯功能（eg. 數(shù)據(jù)庫(kù)節(jié)點(diǎn)、計(jì)算節(jié)點(diǎn)）提升為具備意圖推導(dǎo)能力
• 通信內(nèi)容從結(jié)構(gòu)化數(shù)據(jù)升級(jí)為自然語(yǔ)言指令
• 決策機(jī)制從中心控制變?yōu)閰f(xié)商自治

基于以上三點(diǎn)，讓多智能體之間像專業(yè)團(tuán)隊(duì)一樣 “各司其職、靈活協(xié)作”。

三、LangGraph 多智能體系統(tǒng)

從極具代表性的 AI 框架中汲取本質(zhì)思想（MAS 架構(gòu)的實(shí)踐典范）

3.1 多智能體架構(gòu)

在多智能體系統(tǒng)中，有幾種連接智能體的方法：

• 網(wǎng)絡(luò)：每個(gè)智能體都可以與 其他所有智能體 進(jìn)行通信
• 監(jiān)管智能體：每個(gè)智能體與單個(gè)監(jiān)管智能體進(jìn)行通信
• 監(jiān)督者（工具調(diào)用）：這是監(jiān)督者架構(gòu)的一種特殊情況,單個(gè)智能體可以表示為工具
• 分層式：你可以使用 超級(jí)監(jiān)督智能體 定義一個(gè)多智能體系統(tǒng)
• 自定義：每個(gè)智能體僅與一部分智能體進(jìn)行通信

image.png

3.2 核心概念 

Command

LangGraph 中構(gòu)建多智能體架構(gòu)的新工具/語(yǔ)法糖

Command = 更新?tīng)顟B(tài)（節(jié)點(diǎn)） + 控制流（邊）（即 讓Agent 知道 “下一步做什么、狀態(tài)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

多智能體交互中的一種常見(jiàn)模式，即一個(gè)智能體將控制權(quán)交接給另一個(gè)智能體。

# 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
	  )

兩者的關(guān)聯(lián)

關(guān)聯(lián)代碼實(shí)現(xiàn)：

// 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 驅(qū)動(dòng) Handoffs 的發(fā)生，而 Handoffs 是 Command 在智能體間傳遞的載體和實(shí)現(xiàn)方式。

image.png

image.png

四、 其他多智能體系統(tǒng)探究

除LangGraph 框架之外，其他優(yōu)秀的多智能體框架介紹：

4.1 AutoGen（Microsoft）

AutoGen 的核心價(jià)值：讓 AI 協(xié)作 “像聊天一樣自然”

1、基類與角色分工

• 核心基類：ConversableAgent 對(duì)話引擎
• 角色分工：AssistantAgent、UserProxyAgent、GroupChatManager

2、定義Agent + 定制交互邏輯

• 定義Agent：人類代理A、助手B
• 注冊(cè)自定義回復(fù)函數(shù)：讓Agent 具備智能響應(yīng)能力

3、程序運(yùn)行：對(duì)話驅(qū)動(dòng)的任務(wù)執(zhí)行

image.png

4.2 CrewAI（OpenAI）

CrewAI 既支持 “智能體自主協(xié)作”（Crew），也支持 “流程化精細(xì)編排”（Flows），覆蓋從靈活創(chuàng)新到嚴(yán)格流程的多樣化協(xié)作需求

• Crew 模式

Agent 擁有獨(dú)立能力（LLM + Tools）和共享記憶，自主分工執(zhí)行任務(wù)

• Flows 模式

通過(guò) Code 編排協(xié)作單元的交互，結(jié)合狀態(tài)管理實(shí)現(xiàn)流程級(jí)精細(xì)控制

asset.png

核心對(duì)比：

4.3 MetaGPT（國(guó)產(chǎn)）

MetaGPT 多智能體協(xié)作開(kāi)發(fā)軟件的標(biāo)準(zhǔn)流程（SOP）

• 左側(cè)：軟件開(kāi)發(fā)標(biāo)準(zhǔn)流程
• 中間：智能體分工
• 右側(cè)：人機(jī)交互階段

image.png

MetaGPT提出了一個(gè)通信協(xié)議，以提高角色通信效率，還實(shí)現(xiàn)了結(jié)構(gòu)化的通信接口和有效的發(fā)布-訂閱機(jī)制

• 共享消息池：協(xié)作的“神經(jīng)中樞”

發(fā)布（publish）：將信息寫(xiě)入消息池（eg. PM 發(fā)布任務(wù)）

訂閱（subscription）：監(jiān)聽(tīng)感興趣的消息（eg. Engineer 訂閱開(kāi)發(fā)任務(wù)）

image.png

4.4 小結(jié)

AutoGen、CrewAI、MetaGPT 三款 MAS 框架對(duì)比：

圖片

五、結(jié)語(yǔ)

多智能體系統(tǒng)（MAS）不僅是對(duì)人類社會(huì)協(xié)作關(guān)系的映射，其真正價(jià)值在于探索和創(chuàng)造具備超協(xié)同增益的AI群體智能。

然而，不同框架之間依然存在較高的學(xué)習(xí)和開(kāi)發(fā)門(mén)檻。隨著 LLM 能力的持續(xù)提升，未來(lái)的 Agent 框架必將朝著更簡(jiǎn)潔、高效、易用的方向演進(jìn)。