体验 Agent
中文

← 认识 AI · AI Workflow

学习路线 · ⑦

Multi-Agent

Multi-Agent 是让多个 AI Agent 按照不同角色和任务进行协作，共同完成一个复杂目标的系统。

简单来说：一个 Agent 解决一个任务，多个 Agent 可以组成一个团队。

「帮我完成一份 AI 行业研究报告。」

一个 Agent 可能需要同时负责：搜索、分析、数据整理、竞品研究、写作、检查。

  1. 🎯 总任务
  2. 🧠 Manager Agent
  3. 🔎 Research 📊 Data 📝 Writing
  4. Agent Agent Agent
  5. 🔍 Review Agent
  6. 最终报告

Multi-Agent 的核心不是「更多 AI」，而是「分工与协作」。

为什么需要多个 Agent？

假设只有一个 Agent
  1. 用户
  2. 一个 Agent
  3. 研究 + 数据 + 写作 + 检查
  4. 结果
Multi-Agent
  1. 一个复杂目标
  2. 拆分成多个任务
  3. 研究 数据 写作
  4. Research Data Writing
  5. Agent Agent Agent
  6. Review
  7. Agent

每个 Agent 专注于自己的任务。

Multi-Agent 的核心：分工

可以用一个「AI 团队」的比喻：

  • Manager Agent

    负责协调——理解最终目标，把任务分配给其他 Agent。

  • Research Agent

    负责研究——搜索资料、阅读信息、整理来源。

  • Data Agent

    负责数据——处理数据、计算、分析趋势。

  • Writing Agent

    负责写作——把研究结果整理成文章或报告。

  • Review Agent

    负责检查——检查结果、发现问题、要求修改。

一个 Agent 是一个 AI 工作者；Multi-Agent 是一组能够协作的 AI 工作者。

Multi-Agent 是怎么工作的？

例如：完成一份市场研究报告

  1. 用户
  2. 「研究日本 AI Agent 市场」
  3. Manager Agent
  4. 拆分任务
  5. Research Data
  6. Agent Agent
  7. 搜索资料 分析数据
  8. Writing Agent
  9. 生成报告
  10. Review Agent
  11. 检查结果
  12. 完成

执行状态

  • 分析任务
  • 分配研究任务
  • Research Agent 完成
  • Data Agent 完成
  • Writing Agent 正在工作
  • Review Agent 等待中

Agent 之间是怎么交流的？

  1. Research Agent
  2. 「找到 25 个相关来源」
  3. Manager Agent
  4. 把研究结果交给
  5. Writing Agent
  6. 生成报告

Agent 不只是各自工作，还需要共享任务状态、结果和上下文。

Multi-Agent 有哪些协作方式？

  • ① 顺序协作

    适合有明确前后顺序的任务。

    1. Research → Analysis → Writing → Review
  • ② 并行协作

    例如同时研究三个不同方向。

    1. Manager
    2. Research Data Competitor
    3. Result
  • ③ 层级协作

    适合复杂任务和大型工作流程。

    1. Manager
    2. Agent Agent Agent
    3. Tools Tools Tools
  • ④ Agent 之间互相协作

    每个 Agent 可以根据任务把信息传递给其他 Agent。

    1. Research ↔ Analysis ↔ Writing ↔ Review

Multi-Agent 和 Workflow 有什么区别？

Workflow

流程决定下一步做什么，通常是提前设计的。

  1. A → B → C → D
Multi-Agent

多个 Agent 根据自己的角色和任务进行协作。

  1. Manager
  2. Research Data Writing

Workflow 更强调「流程」；Multi-Agent 更强调「角色和协作」。

  1. Workflow
  2. Manager Agent
  3. 多个 Agent
  4. Tools / MCP / RAG
  5. 最终结果

Multi-Agent 和普通 Agent 有什么区别？

普通 AgentMulti-Agent
Agent 数量一个多个
工作方式独立完成分工协作
任务复杂度中小型任务更复杂的任务
角色一个 Agent 承担多种职责不同 Agent 各司其职
协作较少Agent 之间交换信息
管理相对简单需要协调和状态管理

并不是所有任务都需要 Multi-Agent。简单任务使用一个 Agent 往往更直接；只有当任务适合拆分、并且不同角色能够产生实际收益时，多 Agent 架构才有意义。

Multi-Agent + Tools + MCP + RAG

  1. Multi-Agent System
  2. Manager Agent Specialist Agents
  3. Research Data Writing
  4. Agent Agent Agent
  5. Tools Tools Tools
  6. MCP MCP MCP
  7. RAG RAG RAG

LLM 提供智能，Agent 执行任务，Tool 提供能力，MCP 帮助连接外部工具，RAG 提供外部知识，Workflow 组织流程，而 Multi-Agent 让多个 Agent 分工协作。

一个真实的 Multi-Agent 案例：AI 研究团队

「帮我分析一家 AI 公司的市场机会。」
  1. 🎯 Manager Agent — 拆解任务
  2. 🔎 Research Agent — 搜索公司、市场、竞争对手
  3. 📊 Data Agent — 分析市场数据
  4. 🏢 Competitor Agent — 分析竞争产品
  5. 🧠 Analysis Agent — 综合研究结果
  6. ✍️ Writing Agent — 生成最终报告
  7. 🔍 Review Agent — 检查事实和结构
  8. 📄 Final Report

Multi-Agent 的挑战

Multi-Agent 并不是「Agent 越多越厉害」。

  • 协调更加复杂

    Agent 越多，需要管理的信息和关系越多。

  • 成本可能增加

    每个 Agent 都可能需要调用模型、工具或搜索。

  • Agent 之间可能产生错误

    一个 Agent 的错误结果可能影响后续 Agent。

  • 任务拆分不一定合理

    如果任务本身很简单，加入多个 Agent 反而可能让系统更复杂。

复杂系统需要知道：

  • 哪个 Agent 做了什么？
  • 使用了什么工具？
  • 为什么得到这个结果？

好的 Multi-Agent 系统，不是拥有最多 Agent，而是让每个 Agent 都有清晰、必要的职责。

从一个 Agent 到 AI Team

  1. LLM
  2. Agent
  3. Agent + Tools
  4. Agent + Workflow
  5. Multi-Agent
  6. AI Team

过去：AI 帮我回答。

现在：Agent 帮我完成任务。

下一步：多个 Agent 协作完成复杂工作。

人负责目标与判断，AI 团队负责执行。

多个 Agent，可以一起完成什么？

探索 AI Agent，看看不同 Agent 如何完成真实任务。

体验 Agent →探索智能体 →

继续探索

AI 学习路线 →