多智能体概览

前置阅读：智能体 Agent

什么是多智能体系统

单个 Agent 已经很强——它能理解意图、选择工具、执行任务。但当任务规模和复杂度上升时，一个 Agent 独揽一切会遇到瓶颈：

挑战	表现	多智能体方案
工具爆炸	单 Agent 挂载 30+ 工具，LLM 选择准确率下降	按职能拆分，每个 Agent 只负责 5-8 个工具
上下文膨胀	长对话 + 多工具结果导致 Token 超限	子任务独立处理，父 Agent 只汇总结果
专业化不足	通用 prompt 难以覆盖所有领域	每个 Agent 有独立的 system prompt 和领域知识
可维护性差	单体 Agent 修改牵一发动全身	模块化拆分，独立测试和迭代

多智能体系统（Multi-Agent System） 的核心思路：将复杂任务拆分给多个专职 Agent，它们各司其职、协同完成目标。

python

# 单 Agent 模式 — 什么都做，容易出错
single_agent = create_react_agent(
    model,
    tools=[search, analyze, write_sql, send_email, translate, ...],  # 工具太多
    prompt="你是万能助手"  # 角色太泛
)

# 多智能体模式 — 各司其职
research_agent = create_react_agent(model, tools=[search, summarize], prompt="你是研究员")
data_agent = create_react_agent(model, tools=[write_sql, analyze], prompt="你是数据分析师")
comm_agent = create_react_agent(model, tools=[send_email, translate], prompt="你是沟通专员")

何时使用多智能体

并非所有场景都需要多智能体。以下是判断标准：

适合单 Agent

工具数量 < 10 个
任务流程线性、不涉及多领域
对话轮次较少，上下文可控
快速原型开发阶段

适合多 Agent

工具数量 > 10 个，且可按领域分组
任务需要多步骤、多领域协作
需要不同 Agent 使用不同模型（如推理用 Claude，代码用 GPT-4o）
团队需要独立维护各自的 Agent 模块
需要对子任务做精细权限控制

决策流程

五大多智能体模式

LangChain 提供了五种多智能体协作模式，覆盖从简单到复杂的各种场景。

1. Subagents 子代理

核心思想：父 Agent 创建并管理子 Agent，将子任务委派下去，汇总子 Agent 的结果。

父 Agent（管理者）
  ├── 子 Agent A（研究）
  ├── 子 Agent B（分析）
  └── 子 Agent C（撰写）

适用场景：复杂任务的分而治之，如研究报告生成、多步骤数据处理。

详见多智能体模式 - Subagents

2. Handoffs 任务交接

核心思想：Agent 之间直接传递控制权，当前 Agent 判断自己无法处理时，将任务连同上下文交接给更合适的 Agent。

用户 → 分诊 Agent → 账单 Agent
                  → 技术 Agent
                  → 通用 Agent

适用场景：客服系统、多级审批、问题分类后路由到专家。

详见多智能体模式 - Handoffs

3. Router 路由分发

核心思想：中央路由器接收所有请求，根据分类规则将请求分发给对应的专家 Agent。

所有请求 → 路由器 → 数学专家
                 → 科学专家
                 → 历史专家

适用场景：知识问答系统、多领域客服、统一入口的服务台。

详见多智能体模式 - Router

4. Skills 技能模式

核心思想：将 Agent 能力封装为可复用的"技能"单元，Agent 按需加载和组合技能。

Agent + [SQL 技能, 搜索技能, 代码生成技能]

适用场景：能力复用、插件化架构、渐进式增强 Agent 能力。

详见高级多智能体 - Skills

5. Custom Workflow 自定义工作流

核心思想：使用 LangGraph 构建完全自定义的多 Agent 编排流程，支持条件分支、并行执行、循环和人工干预。

LangGraph StateGraph → 条件路由 → 并行节点 → 汇聚 → 输出

适用场景：复杂业务流程、需要精细控制的场景、生产级多 Agent 系统。

详见高级多智能体 - Custom Workflow

模式对比速查

模式	复杂度	灵活性	典型场景	推荐度
Subagents	中	高	研究报告、项目管理	通用首选
Handoffs	低	中	客服路由、多级审批	流程明确时
Router	低	低	知识问答、分类分发	最简多Agent
Skills	中	高	能力复用、插件化	工具密集型
Custom Workflow	高	最高	生产级编排、复杂流程	高级场景

架构全景

下图展示五种模式在系统中的位置和关系：

模式递进关系：

Router / Handoffs — 入门级多智能体，适合流程明确、分支固定的场景
Subagents / Skills — 中级模式，支持动态委派和能力复用
Custom Workflow — 高级模式，LangGraph 提供完全的流程控制能力

前端类比

多智能体系统 ≈ 微前端架构（Micro Frontends）：

独立团队：每个 Agent 就像一个独立的微前端应用，有自己的技术栈（模型 + 工具 + prompt）
统一入口：Router 模式类似 Module Federation 的路由分发
组合渲染：Subagents 模式类似容器应用组合多个子应用的输出
共享状态：Agent 间的消息传递类似微前端间通过 CustomEvent 或共享 Store 通信

不过，多智能体系统的"组合"发生在推理层面（语义理解 + 任务规划），而微前端的组合发生在 UI 层面。Agent 之间的通信是基于自然语言消息，比 API 调用更灵活，但也更不确定。

快速上手建议

从单 Agent 开始 — 先用一个 Agent 验证核心功能
识别拆分点 — 当工具超过 10 个或 prompt 变得臃肿时考虑拆分
选最简模式 — Router 和 Handoffs 能解决的就不用 Subagents
渐进升级 — 从 LangChain 多智能体模式开始，需要更强控制时迁移到 LangGraph

下一步

多智能体模式 — 深入学习 Subagents / Handoffs / Router 三大核心模式
高级多智能体 — Skills 技能模式、LangGraph 自定义工作流、内存共享和错误处理
Agents — 单 Agent 基础，多智能体的构建基石
LangGraph 概览 — 需要更强编排能力时的升级方案

多智能体概览 ​

什么是多智能体系统 ​

何时使用多智能体 ​

适合单 Agent ​

适合多 Agent ​

决策流程 ​

五大多智能体模式 ​

1. Subagents 子代理 ​

2. Handoffs 任务交接 ​

3. Router 路由分发 ​

4. Skills 技能模式 ​

5. Custom Workflow 自定义工作流 ​

模式对比速查 ​

架构全景 ​

快速上手建议 ​

下一步 ​

参考资源 ​