感谢活动组织：Datawhale - 《Agent设计模式》共学营
学习资料：www.datawhale.cn/activity/54…
一句话总结：多 Agent 系统编排要解决协作模型、通信协议和冲突解决3大问题。
认知负荷的分流——各司其职
为什么需要多 Agent？而不是一个超长的提示词？
因为“认知的边际效应递减”
- 上下文稀释：重要规则丢失或被忽视
- 角色泛化陷阱：面面俱到，无一专精
- 角色冲突与思维模式不兼容：不同的任务需要不同的参数和运行模式，需要避免模型的自我欺骗 Self-delusion
通过垂直切分，按照领域拆成不同的子域，每个 Agent 负责一个子域。
通过组织弥补单体在认知能力、专注读和可靠性的局限。
角色 Role、协议 Protocol 和拓扑 Topology
角色：SOP （Standard Operation Procedure）的人格化，从外部文档变为角色本身。用于拆分关注点。
协议：自然语言进行单 Agent 内部思考，结构化内容跨 Agent 交流。
当前的2个主要协议：
- MCP：针对模型与工具。让 Agent 对工具的调用变为一种通用的、结构化的 RPC 通信。
- A2A：针对 Agent 间的通信，主要包括握手、协商、拒绝、交付。
拓扑：权利的形状
流水线 Chain：信息单向流动。流程明确，效率高，但灵活性低。
层级式 Hierarchy：一个 Manager Agent 调度多个 Worker Agent。适合任务复杂，需要拆解后分别执行的场景，会牺牲 Worker Agent 的主动性。按照个人经验，Worker Agent 的全局认知会受到一定限制。和当下公司的组织形式类似，领导和员工信息不一致，员工对全貌的了解取决于领导的信息同步程度。
联合式 Joint/Mesh：多 Agent 平等沟通，通过协商、投票等方式得出结果。能激发群体智能和创新，但推理成本大，速度慢。
秩序的维持——编排器 Orchestion
编排器的作用：
- 协调各个角色的职责边界
- 调度任务的流转与依赖
- 监控执行状态和异常
- 推动整个团队向目标收敛
编排器的任务：
- 安排调用顺序：让工作内容连贯有序
- 完成数据传递：维护上下文窗口，选择性传递信息来保证每个子 Agent 或工具的处理效率和质量
- Agent 选择：自动化匹配
- 条件分支与循环：自动机模式下保持可控，并针对性进行收敛，包括对生成结果的收敛，也包括自我学习这一过程的实现。
- 并行与资源管理
常见的冲突处理机制
| 使用场景 | 优缺点 | |
|---|---|---|
| 投票机制 | 多用于单步决策，决策差异小 | 速度快，成本低 |
| 辩论机制 | 能够生成质量更高的答案 | 展示cot，错误和偏差更容易发现，能够有更深入的思考 |
| 仲裁机制 | 僵持不下时的裁决 | 停止“左右脑互搏”，防止死锁 |
| 共识机制 | 逐步收敛 | 不强行统一意见，少数派的意见不会被忽略 |
涌现与自组织
涌现的底层机制：Agent 间的对抗避免幻觉，进而提高催生质量；异构实现取长补短，综合能力上升。
自组织系统：无中心、自主分工、动态拓扑、基于信誉进化。
软件开发范式变化：从完成任务到营造环境、从整齐规范到自主学习、从稳定运行到智能调度。
