9.4 多 Agent 协作：角色分工与消息传递
1.一个 Agent 不够用
9.3 节讲的单个 Agent 能干不少活，但遇到复杂任务——比如"做一个完整的小项目"——单 Agent 容易顾此失彼：让它写代码它可能忘了测试，让它全栈它可能前端后端都做不精。于是有了多 Agent 协作（Multi-Agent Collaboration）：把任务拆给多个有不同角色/能力的 Agent，让它们互相通信、分工合作。
这一章我们讲清多 Agent 的几种常见协作模式，以及代表性框架的思路。
2.几种常见协作模式
模式一：流水线（Pipeline）。 多个 Agent 串成一条流水线，前一个的输出是后一个的输入。比如"需求分析 Agent → 架构设计 Agent → 编码 Agent → 测试 Agent → 文档 Agent"。每个 Agent 只管自己那一环，专业分工。优点是清晰、可控；缺点是串行、慢，且一个环节卡住全卡。
模式二：对话/辩论（Conversation/Debate）。 多个 Agent 围绕同一个问题各抒己见、互相质询。比如"正方 Agent"和"反方 Agent"辩论一个方案，第三个"裁判 Agent"综合判断。优点是能产出更全面、经过多角度审视的结论；代表框架如 CAMEL。
模式三：层级（Hierarchical）。 一个"主管 Agent"负责任务分解和分配，下面一群"工人 Agent"各司其职，结果汇报给主管汇总。这模拟了人类组织的管理结构。代表思路如 MetaGPT（模拟软件公司：产品经理/架构师/工程师/测试）。
模式四：自由网络（Network）。 Agent 之间没有固定结构，每个 Agent 可以自由选择和谁通信。最灵活但最难控，适合探索性任务。
3.关键技术问题
多 Agent 系统有几个绕不开的工程问题：
- 通信协议：Agent 之间怎么传递消息？常见做法是定义一套结构化消息格式（谁说的、给谁的、内容是什么、要不要回复）。
- 终止条件：什么时候算完成？要设明确的终止信号（达成共识、超时、轮次上限），否则 Agent 可能无限聊下去。
- 一致性：多个 Agent 可能产出矛盾的结果，要有仲裁或合并机制。
- 成本控制：Agent 一多、对话轮次一长，token 消耗爆炸，要做预算管理。
4.代表性框架
- AutoGen（微软）：通用多 Agent 对话框架，支持自定义 Agent 角色、对话模式、人工介入。最灵活，用得最多。
- MetaGPT：模拟软件公司，把产品经理/架构师/工程师/测试等角色做成 Agent，输入一句话需求能产出整个软件项目（代码+文档+测试）。
- CrewAI：基于"团队"概念，定义角色、任务、流程，偏轻量好上手。
这些框架本质上都是帮你把"角色定义、消息传递、流程编排、终止控制"这些样板代码封装好，让你专注在业务逻辑上。
5.练习
Q1. 多 Agent 的流水线模式和对话模式各适合什么任务？
流水线适合步骤清晰、可分解的流程化任务（如软件开发的需求→设计→编码→测试）；对话模式适合需要多角度审视、产出更全面结论的任务（如方案评审、辩论）。
Q2. 多 Agent 系统为什么要设明确的终止条件？不设会怎样？
Agent 可能无限聊下去（token 爆炸、永不收敛）。要设终止信号：达成共识、超时、轮次上限。
Q3.（面试题） 如果要搭一个"自动软件开发"的多 Agent 系统，你会怎么设计角色和流程？
层级 + 流水线混合：主管 Agent（项目协调）分解任务；下面产品经理 Agent 出需求、架构师 Agent 出设计、工程师 Agent 写代码、测试 Agent 写测试和验证；流水线串起来（需求→设计→编码→测试），测试发现问题回流给工程师改。用 AutoGen/MetaGPT 做框架，设轮次预算和终止条件。
6.小结
多 Agent 协作让复杂任务能被分工完成，核心是角色定义 + 消息传递 + 流程编排 + 终止控制。AutoGen/MetaGPT/CrewAI 是主流框架。下一篇我们转向评测——怎么知道一个模型（或 Agent）到底好不好。
下一章见。