多智能体架构模式

一旦决定使用多个智能体,接下来的问题是:这些智能体应该如何相互通信?下面这四种常见模式对这个问题给出了不同的答案。

Supervisor(监督者)模式

一个中心智能体("监督者")接收用户请求,决定由哪个专用智能体来处理,委派任务,并汇总结果。 工作智能体之间不直接对话,只与监督者通信。

Hierarchical(层级)模式

Supervisor 的扩展版本:多层监督者层层叠加——一位高级监督者将工作分配给若干个"中层监督者", 而每个中层监督者又管理着自己的一组工作智能体。适用于拥有多个工作领域的大型组织。

Peer-to-Peer(去中心化)模式

不存在中心监督者;智能体之间直接通信(通常通过 A2A 之类的协议) 并共同决策。这种方式更灵活,但协调工作以及预测系统行为会变得更困难。

Pipeline(流水线)模式

智能体按固定顺序依次工作——每一个的输出成为下一个的输入(例如:信息提取智能体 → 验证智能体 → 交易执行智能体)。 这是最容易实现和调试的模式,但对于非线性路径的灵活性较低。

Debate / Consensus(辩论/共识)模式

同一个智能体的多个实例(或多个持有不同观点/提示词的智能体)各自独立地回答同一个问题,然后互相批判彼此的答案, 并在一轮或多轮辩论中修正自己的观点。最后,通过投票或由一个裁判智能体做出总结,选出最终答案。 与从一开始就明确一个决策权威的 Supervisor 不同,这里的"正确性"是通过多个观点的碰撞而涌现出来的。

这种模式的计算成本很高(相比一次简单回答,模型调用次数要多出好几倍),但对于风险高、容错率低的敏感决策 (例如批准一笔大额金融交易的最终确认,或评估内容质量),它能显著提高准确性,因为单个智能体的错误很可能会被其他智能体纠正。

比较与选择

常见问题