Agentic AI 多智能体协作：开发实战、框架选型与踩坑指南

做智能制造系统时，曾遇到一个棘手问题：单智能体既要处理设备数据采集，又要做故障预测和 AGV 调度，结果内存占满、响应延迟超 5 秒。后来拆成 3 个协作智能体，各司其职又动态配合，延迟直接降到 200ms 以内 —— 这就是多智能体协作的实战价值。

作为开发人员，我们更关心 “怎么搭架构”“用哪个框架”“如何避坑”。本文结合 3 个工业级项目经验，从技术落地角度拆解 Agentic AI 多智能体系统的开发全流程，包含可直接复用的代码片段、框架选型对比和资源优化技巧，帮你少走弯路。

一、先搞懂：自主智能体的 “开发三要素”

要做多智能体协作，先得摸清单个智能体的核心组件 —— 这是后续协作的基础。OpenAI 提出的 “规划 - 记忆 - 工具” 三模块，在开发中可直接落地为代码架构。

1.1 规划系统：让智能体 “会拆任务”

规划的核心是把 “优化工厂能耗” 这类模糊目标，拆成 “采集设备功率→分析高耗设备→调整运行参数” 的可执行步骤。开发中常用两种方案：

方案 1：基于 ReAct 框架的轻量化规划（适合中小任务）

用 LLM 生成 “思考 - 行动” 序列，比如用 GPT-4o-mini 做设备调度规划，关键代码如下：

from openai import OpenAI client = OpenAI(api_key="your-key") def react_planner(goal, history=[]):     # 1. 思考：分析当前目标和历史，确定下一步动作     thought_prompt = f"""     目标：{goal}     已完成动作：{history}     请思考：下一步需要做什么？（用1句话说明）     """     thought = client.chat.completions.create(         model="gpt-4o-mini",         messages=[{"role": "user", "content": thought_prompt}]     ).choices[0].message.content     # 2. 行动：生成具体执行指令（如调用设备API）     action_prompt = f"""     思考：{thought}     请生成行动指令：格式为["动作类型（如call_api/analyze_data）", "参数"]     示例：["call_api", {"url": "http://device/power", "method": "GET"}]     """     action = eval(client.chat.completions.create(         model="gpt-4o-mini",         messages=[{"role": "user", "content": action_prompt}]     ).choices[0].message.content)          return {"thought": thought, "action": action} # 测试：规划“降低机床A能耗” goal = "将机床A的能耗从15kW降至12kW" first_step = react_planner(goal) print(first_step) # 输出示例： # { #   "thought": "需要先获取机床A当前的功率数据和运行参数", #   "action": ["call_api", {"url": "http://device/machineA", "method": "GET"}] # }

方案 2：LLM+PDDL 专业规划（适合复杂任务）

当任务涉及多约束（如 “AGV 调度不能冲突 + 优先运输紧急物料”），可把自然语言转成规划领域定义语言（PDDL），调用专业规划器（如 Fast Downward）。开发要点：

• 用 LLM 生成 PDDL 文件（避免手动写语法）；
• 规划器输出结果后，再用 LLM 转成代码可执行的指令。

1.2 记忆系统：让智能体 “记事儿”

开发中最容易踩的坑是 “内存爆炸”—— 如果把所有历史数据都塞 LLM 上下文，token 会超限制。正确做法是分层存储：

记忆类型	存储方式	开发实操
短期记忆	LLM 上下文窗口	只存当前任务的最近 10 步动作 + 结果，用列表维护
长期记忆	向量数据库（如 Milvus）