AI Agent / 系统课时

判断是否需要多 Agent

判断是否需要多 Agent

多 Agent 不是把一个任务拆成多个角色名字,而是引入多个拥有独立上下文、工具边界或执行生命周期的智能体。本篇给出一套决策方法,帮助你在单 Agent、子流程和多 Agent 之间选择复杂度最低但足够可靠的方案。

学习目标

  • 区分单 Agent、子流程与真正的多 Agent 协作
  • 根据上下文、权限、并行度和故障隔离判断是否值得拆分
  • 识别会让多 Agent 成本高于收益的常见设计

先分清三种结构

单 Agent 适合由同一套指令、同一份上下文和同一组工具完成的任务。即使内部要调用很多工具,只要决策中心仍然唯一,它仍是单 Agent。

子流程适合把任务拆成固定步骤,例如“收集资料 → 生成草稿 → 校验格式”。步骤可以独立封装,但通常不需要独立人格、长期状态或互相协商,因此没有必要为每一步建立 Agent。

多 Agent 适合存在明确自治边界的场景:不同角色需要不同上下文、不同权限或可以独立推进,并且它们之间确实需要通过消息或共享状态协作。

用四个问题做决策

先画出任务依赖,再核对每步的输入、权限、失败处理和结果验收。上下文隔离、并行、权限隔离和独立恢复都值得考虑。确定性步骤也能单独授权、并发或重试,先识别哪些决策确实需要模型。

单 Agent、子流程与多 Agent 的选择流程

上下文隔离的典型信号是:不同子任务需要大量互不相关的资料,放在同一上下文会互相干扰;权限隔离则是某些角色只能读取数据,另一些角色才允许执行写操作。依赖同一输入且互不等待的工作可以并行。有前置依赖的步骤须在对应结果通过验收后才能开始。

比较额外成本

多 Agent 带来的收益必须覆盖协调成本。下面这张表可以作为设计评审时的最低检查项。

维度 单 Agent 子流程 多 Agent
上下文 一套 一套为主 可独立隔离
工具权限 一套策略 可按步骤限制 可按 Agent 独立授权
并行执行 有限 取决于编排器 适合独立任务并行
调试难度 最低 中等 最高
状态同步 简单 顺序传递 必须设计消息或共享状态
失败恢复 统一重试 按步骤重试 需要跨 Agent 协调

多 Agent 还会增加 token 消耗、网络往返、状态一致性问题和测试组合数。如果最终所有 Agent 都把完整上下文互相转发,或者所有决策都要等一个“主管 Agent”批准,通常意味着拆分并没有创造真正的自治边界。

识别值得拆分的场景

以供应商比较为例,价格核查和服务等级协议(SLA)核查可以分别读取已授权的数据,最后按固定评分规则汇总。若两个查询与评分都能写成确定规则,用普通子流程即可并发执行。若各自还需根据证据决定查证路径,才考虑用两个专家分别判断。汇总和审批仍能由固定程序或人员完成。

用同一组任务比较

准备资料完整、证据不足、规则冲突和一位专家超时的样本。比较固定流程、单 Agent 和多 Agent 版本是否得到可核验的结论,是否在证据不足时正确停止,再测调用次数、延迟和恢复范围。单项硬约束就可能决定架构,例如独立复核必须保持权限分离。是否另设 Agent,取决于复核步骤是否需要独立的模型决策。

设计目标不是让系统里有更多 Agent,而是让责任边界更清楚、失败更可控、吞吐或质量确实提高。只要单 Agent 或子流程能够稳定满足这些目标,就没有必要承担多 Agent 的协调成本。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

判断是否需要多 Agent

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通