多智能体系统架构解析

本文系作者 [架构精进之路] 原创，著作权归作者所有，未经授权禁止任何形式的转载、抄袭或盗用，违者必究。

一、问题思考

在 AI 快速发展的今天，我们能明显感受到不同智能系统的差异：有的擅长自然对话，有的依托技能点精准响应。

**deepseek（自然对话） vs 豆包（技能点模式）：

这种技术架构的差异，直接导致二者在使用方式、适配场景与用户体验上呈现显著不同。

而多智能体系统，正是通过独特的架构设计，让 AI 突破单智能体的能力边界，实现更复杂的任务协作。

二、多智能体系统介绍

2.1 概念简介

多智能体系统 （Multi-Agent Systems, MAS）是相对单智能体系统（Single-agent System）而言。

多智能体组成虚拟团队，模拟人类专业协作模式，以解决超越单智能体能力边界的复杂问题。

其实和人类很像，一个人的大脑装太多信息会影响效率，单智能体面对复杂任务时，稳定性和能力都会受限。而多智能体系统，就像组建了一个虚拟专业团队，通过模拟人类协作模式解决复杂问题。正所谓"术业有专攻"，一个人的力量，永远抵不过一个专业的团队。

这就是 MAS，即多智能体系统设计的初衷。

2.2 技术本质

MAS 技术本质是 分布式系统思想 的延续，构建分布式认知网络 ，通过智能体（Agent）间的目标驱动协作 与环境交互反馈，实现超越单智能体能力边界的复杂问题求解。

MAS 的技术独特性：

功能节点从预定逻辑功能（eg. 数据库节点、计算节点）提升为具备意图推导能力
通信内容从结构化数据升级为自然语言指令
决策机制从中心控制变为协商自治

基于以上三点，让多智能体之间像专业团队一样 "各司其职、灵活协作"。

三、LangGraph 多智能体系统

从极具代表性的 AI 框架中汲取本质思想（MAS 架构的实践典范）

3.1 多智能体架构

在多智能体系统中，有几种连接智能体的方法：

网络：每个智能体都可以与其他所有智能体进行通信
监管智能体：每个智能体与单个监管智能体进行通信
监督者（工具调用）：这是监督者架构的一种特殊情况,单个智能体可以表示为工具
分层式：你可以使用超级监督智能体定义一个多智能体系统
自定义：每个智能体仅与一部分智能体进行通信

3.2 核心概念

Command

LangGraph 中构建多智能体架构的新工具/语法糖

Command = 更新状态（节点） + 控制流（边）（即让Agent 知道 "下一步做什么、状态怎么更新"）

csharp 复制代码

const myNode = (state: typeof StateAnnotation.State) => {
  return new Command({
    update: { foo: "bar" },
    goto: "other_subgraph", // where `other_subgraph` is a node in the parent graph
    graph: Command.PARENT,
  });
};

Handoffs

多智能体交互中的一种常见模式，即一个智能体将控制权交接给另一个智能体。

ini 复制代码

# With type hints, you can specify the possible nodes this can go to.
def agent(state: MessagesState) -> Command[Literal[..., END]]:
    ...
    return Command(
	    goto=...,  # The next node(s) to go to
	    update={"messages": [response]}  # The update to apply to the state
	  )

两者的关联

关联代码实现：

javascript 复制代码

// Define the nodes
const nodeASubgraph = async (_state: typeof StateAnnotation.State) => {
  console.log("Called A");
  // this is a replacement for a real conditional edge function
  const goto = Math.random() > .5 ? "nodeB" : "nodeC";
  // note how Command allows you to BOTH update the graph state AND route to the next node
  return new Command({
    update: {
      foo: "a",
    },
    goto,
    // this tells LangGraph to navigate to node_b or node_c in the parent graph
    // NOTE: this will navigate to the closest parent graph relative to the subgraph
    graph: Command.PARENT,
  });
};

const subgraph = new StateGraph(StateAnnotation)
  .addNode("nodeA", nodeASubgraph)
  .addEdge("__start__", "nodeA")
  .compile();

const parentGraph= new StateGraph(StateAnnotation)
  .addNode("subgraph", subgraph, { ends: ["nodeB", "nodeC"] })
  .addNode("nodeB", nodeB)
  .addNode("nodeC", nodeC)
  .addEdge("__start__", "subgraph")
  .compile();

await parentGraph.invoke({ foo: "" });

Command 驱动 Handoffs 的发生，而 Handoffs 是 Command 在智能体间传递的载体和实现方式。

四、其他多智能体系统探究

除LangGraph 框架之外，其他优秀的多智能体框架介绍：

4.1 AutoGen（Microsoft）

AutoGen 的核心价值：让 AI 协作 "像聊天一样自然"

1、基类与角色分工

核心基类：ConversableAgent 对话引擎
角色分工：AssistantAgent、UserProxyAgent、GroupChatManager

2、定义Agent + 定制交互逻辑

定义Agent：人类代理A、助手B
注册自定义回复函数：让Agent 具备智能响应能力

3、程序运行：对话驱动的任务执行

4.2 CrewAI（OpenAI）

CrewAI 既支持 "智能体自主协作" （Crew），也支持 "流程化精细编排"（Flows），覆盖从灵活创新到严格流程的多样化协作需求

Crew 模式
Agent 拥有独立能力（LLM + Tools）和共享记忆，自主分工执行任务
Flows 模式
通过 Code 编排协作单元的交互，结合状态管理实现流程级精细控制

核心对比：

维度

Crew 模式

Flows 模式

控制粒度

智能体自主决策

代码定义的流程级控制

核心优势

灵活分工、自主协作

步骤精确、依赖清晰

典型场景

创意生成、多角色模拟

数据流水线、复杂工作流

4.3 MetaGPT（国产）

MetaGPT 多智能体协作开发软件的标准流程（SOP）

左侧：软件开发标准流程
中间：智能体分工
右侧：人机交互阶段

MetaGPT提出了一个通信协议，以提高角色通信效率，还实现了结构化的通信接口和有效的发布-订阅机制

共享消息池：协作的"神经中枢"
发布（publish）

：将信息写入消息池（eg. PM 发布任务）
订阅（subscription）

：监听感兴趣的消息（eg. Engineer 订阅开发任务）

4.4 小结

AutoGen、CrewAI、MetaGPT 三款 MAS 框架对比：

五、结语

多智能体系统（MAS）不仅是对人类社会协作关系的映射，其真正价值在于探索和创造具备超协同增益的AI群体智能。

然而，不同框架之间依然存在较高的学习和开发门槛。随着 LLM 能力的持续提升，未来的 Agent 框架必将朝着更简洁、高效、易用的方向演进。

后续 AI 内容学习，持续更新，欢迎关注~

·END·

希望今天的讲解对大家有所帮助，谢谢！

Thanks for reading!

作者：架构精进之路，十年研发风雨路，大厂架构师，CSDN 博客专家，专注架构技术沉淀学习及分享，职业与认知升级，坚持分享接地气儿的干货文章，期待与你一起成长。

关注并私信我回复"01"，送你一份程序员成长进阶大礼包，欢迎勾搭。