一句话总结：多 Agent 协作通过 角色分工（规划者、执行者、审核者）解决复杂任务，适合跨系统、多步骤的企业场景，但架构复杂度显著高于单 Agent。
什么时候需要多 Agent？
| 单 Agent 足够 | 需要多 Agent |
|---|---|
| 单一领域问答 | 跨部门协作任务 |
| 1~3 个工具调用 | 5+ 步骤复杂流程 |
| 响应时间 < 5s | 可接受 10~30s |
| 团队 1~2 人维护 | 需模块化分工 |
经典协作模式
1. Planner-Executor（规划-执行）
Planner Agent：拆解任务 → 生成执行计划
Executor Agent：逐步执行 → 调用工具
Reviewer Agent：检查结果 → 通过/重试适合：研究报告生成、多系统数据采集
2. 专家路由（Router-Specialist）
Router Agent：识别意图 → 路由到专家
├─ 法务专家 Agent（法规 RAG）
├─ 财务专家 Agent（报表 API）
└─ 技术专家 Agent（文档 RAG）适合：企业内部统一 AI 入口
3. 辩论式（Debate）
Agent A：提出方案
Agent B：质疑/补充
Agent C：综合裁决适合：方案评审、风险评估（需控制 Token 成本）
角色设计模板
| 角色 | System Prompt 要点 | 工具权限 |
|---|---|---|
| Planner | 「拆解任务为子步骤，不执行」 | 无工具 |
| Researcher | 「检索信息，不做结论」 | RAG、搜索 API |
| Executor | 「按 Plan 逐步执行」 | 业务 API、数据库 |
| Reviewer | 「检查完整性和准确性」 | 只读工具 |
生产注意事项
- 通信协议：Agent 间通过结构化消息（JSON）通信，非自然语言（减少歧义）
- 超时与熔断：单 Agent 超时 30s，全流程超时 120s
- 成本控制：多 Agent Token 消耗是单 Agent 的 3~5 倍
- 调试难度：全链路 Trace 必备，否则无法定位哪个 Agent 出错
常见问题
多 Agent 比单 Agent 效果好多少？ 复杂任务（5+ 步骤）成功率提升 15~25%，简单任务无显著差异，反而增加延迟和成本。
AutoGen 还是 LangGraph？ AutoGen 对话式协作上手快；LangGraph 状态管理更精细，生产环境更可控。泽衍科技倾向 LangGraph。
如何避免 Agent 间死循环？ 设置 max_rounds（如 5 轮）、检测重复输出、超时熔断。