LLM多智能体系统的8种任务协作模式【上】_事务性多智能体框架(sagallm)-CSDN博客

本文链接：https://blog.csdn.net/2401_85373898/article/details/144499920

多智能体系统（Multi-Agent System，MAS）已经成为AI Agent领域广受认可的一种重要设计范式，其具有比单个智能体更高的适应性与可扩展能力，以适应复杂的业务领域变化的需求。如果把智能体看作是一个数字化的智慧人，那么就必然面临一个问题：“人”与“人”之间应该如何协作来回答问题或完成任务？参考一些多智能体框架的设计，这里为大家总结8种多智能体之间的任务协作模式：

反思模式
顺序模式
**层次模式
**
**转交模式
**
**仿神经网络模式
**
**辩论模式
**
**嵌套模式
**
自定义模式

反思模式

【模式概述】

这是一种双Agent协作的典型模式：

A智能体接受输入任务，进行输出
B智能体对A输出进行反思或审核并反馈给A
重复，直到达到最大迭代次数或B审核通过

**【例子】
**

**代码生成：**一个负责编码，一个负责审核并反馈意见
**代码解释器：**一个负责编码，一个负责执行并反馈结果

反思模式可以泛化成更通用的**“二人对话”**模式，只是给两者设定的角色不同而已，都是通过二人对话协作来解决问题。

顺序模式

【模式概述】

顺序模式是一种多个Agent以确定的顺序工作的模式，如果你了解CrewAI，应该熟悉这种模式：一个团队（Crew）内部多个Agent会被分配确定的子任务（Task），按照固定的顺序调度执行，并把子任务结果传递给下一个Agent，直到流程结束。

【例子】

营销文案创作：idea生成–>目录结构–>文章创作–>润色审核
**市场调查分析：**网络搜索–>调查报告起草–>PPT制作
**HR简历筛选：**简历下载–>简历筛选–>邮件起草与发送

顺序模式适合具有确定性工作流的任务，也是最常见的一种协作模式。

层次模式

【模式概述】

层次也是一种常见的协作模式，其对应着人类工作中常见的一种管理架构，即由一个管理者带领多个工作人员一起完成任务。与顺序模式不一样的是，这里的工作人员由于并没有明确固定的任务流程，因此也就需要一个管理者Agent（Manager Agent）来负责分配任务给工作Agent（Worker Agent）：

管理者在分配任务时，又会涉及到不同的决策模式，比如在CrewAI中，通常为借助LLM与上下文自动判断；而在AutoGen中，则存在随机、顺序、自动、自定义等多种决策模式。

在这种模式中，如果一个任务只拆分给一个工作Agent来完成，可以认为其退化成了“路由”模式。

【例子】

**团队讨论：**由Manager带领团队围绕话题展开头脑风暴。
**分布式研究：**Manager负责将复杂的研究任务拆分给不同的工作Agent来协同完成，Manager负责任务的检查、汇总与整理。
**智能RAG：**在多数据源的Agentic RAG中，由管理Agent协调多个工作Agent来共同完成不同数据源的检索任务，以回答跨数据源的复杂问题。

转交模式

【模式概述】

转交模式是OpenAI 最新的轻量级框架Swam采用的一种多Agent协作模式。这种模式的核心思想是：任何一个Agent可以借助自己的一个工具将任务转交给其他的Agent。它与顺序模式及层次模式的区别在于：

它没有固定的工作流程。
它没有明确的管理Agent负责分配任务，每一个智能体都可以定义多个“转交”工具，由LLM判断是否需要转交任务给其他智能体。

当然，在实际应用中，你不一定需要定义任意两个Agent之间的转交方法。比如在一个典型的客户服务场景，你可以会让一个接入客户的分类Agent来负责转交请求给另外两个负责产品咨询与售后服务的Agent，而这两个Agent在处理完收到的任务后可以再转交回分类Agent。你甚至可以定义负责产品咨询的Agent如果错误的收到了售后服务的请求，也可以再转交给售后服务Agent。

【例子】