多 Agent 与进阶范式
单 Agent 解决不了的复杂任务，常用多 Agent 协作或更结构化的工作流。本文梳理进阶规划范式、多 Agent 架构与主流框架，是 Agent 方向的深水区考点。
进阶规划范式
Agent 基础 讲了 ReAct，这里看几种更结构化的范式：
Plan-and-Execute（规划-执行）
先由「规划器」一次性制定完整计划，再由「执行器」逐步执行，必要时回到规划器调整。
- 优点：全局视野好、token 效率高（不必每步都让大模型重新决策）。
- 缺点：依赖初始计划质量，环境变化时不够灵活。
- 对比 ReAct：ReAct 边想边做、灵活但可能短视；Plan-and-Execute 谋定后动、全局但僵硬。实际常结合。
Reflexion / Self-Refine（反思）
让 Agent 执行后反思自己的结果，生成改进意见再重试，通过「执行→评估→反思→重试」循环自我提升。适合有明确反馈信号（如代码能否跑通、测试是否通过）的任务。
LATS（语言智能体树搜索）
把 ReAct 与蒙特卡洛树搜索（MCTS）结合，探索多条行动路径并用价值评估剪枝，质量高但成本高，适合高价值复杂决策。
多 Agent 系统
把一个复杂任务拆给多个分工不同、各有角色和工具的 Agent 协作完成。
为什么需要多 Agent？
- 关注点分离：每个 Agent 专注一个子领域，prompt/工具更聚焦，比一个「全能 Agent」更可靠。
- 能力组合：不同 Agent 用不同模型、不同工具集。
- 可维护性：模块化，便于单独优化、测试、替换。
常见协作架构
| 架构 | 说明 |
|---|---|
| Supervisor（主管/路由） | 一个中心 Agent 负责把任务分派给下属 Agent 并汇总结果 |
| Pipeline（流水线） | Agent 串联，前一个输出是后一个输入（如 调研→写作→审校） |
| Group Chat（群聊/辩论） | 多 Agent 在共享对话中讨论、辩论，逼近更好答案 |
| Hierarchical（分层） | 主管下还有主管，处理超复杂任务 |
主流框架
- AutoGen（微软）：以「可对话 Agent」为核心，擅长群聊式多 Agent 协作与代码执行。
- CrewAI：以「角色（Role）+ 任务（Task）+ 流程（Process）」组织，上手快，适合角色扮演式分工（如「研究员+作家+审稿人」）。
- LangGraph：用**图（State/Node/Edge）**显式编排有状态、可循环、带条件分支的工作流，可控性强，是构建可靠 Agent 工作流的主流选择。
- MetaGPT：模拟软件公司角色（产品/架构/工程师），用 SOP 把流程标准化。
工程难点
- 误差累积：多步/多 Agent 链路上，每步的小错会逐级放大。对策：加校验节点、人类介入（human-in-the-loop）、限制自由度。
- 成本与延迟：多 Agent 调用次数多、token 消耗大。对策：用小模型做简单子任务、缓存、限制轮数。
- 协调与一致性：Agent 间信息不同步、互相矛盾。对策：共享状态/黑板、明确通信协议。
- 死循环 / 跑偏：设置最大步数、超时、终止条件，监控每步决策。
高频追问
Q：什么时候用单 Agent，什么时候用多 Agent？ 任务边界清晰、工具不多 → 单 Agent 更简单可控；任务跨多个领域、需要不同专长/工具，或单 Agent 的 prompt 已臃肿到不可靠 → 拆成多 Agent。不要为了多 Agent 而多 Agent，它会带来协调成本和误差累积。
Q：如何防止 Agent 陷入无限循环？ 设置最大迭代步数与超时；明确的终止/完成条件；检测重复的「思考-行动」模式并强制跳出；用图/状态机（如 LangGraph）约束可达路径。
Q：LangGraph 相比 ReAct 循环的优势？ ReAct 是「黑盒自由循环」，难调试和控制；LangGraph 把流程显式建成图，节点、状态、条件分支、循环都可见可控，支持持久化、断点续跑和人工介入，工程可靠性更高。
Q：多 Agent 之间怎么传递信息？ 常见方式：共享状态/黑板（shared state）、消息传递（message passing）、把上一个 Agent 的结构化输出作为下一个的输入。关键是约定清晰的接口格式，避免自然语言传递造成的歧义和信息丢失。
Q：Agent 调用工具出错了怎么办？ 工具返回结构化错误信息让模型理解失败原因；加入重试与回退策略；关键写操作前做校验或人工确认；对工具输入做 Schema 约束，减少调用格式错误。