构建一个多Agent系统（Multi-Agent System, MAS）方法论

构建一个多Agent系统（Multi-Agent System, MAS）是当前AI工程化落地的重要方向，尤其适用于任务复杂、需专业分工、强调可维护性和扩展性的场景。以下是构建多Agent系统的完整方法论，结合主流框架（如 LangGraph、CrewAI、smolagents 等）和最佳实践，分步骤说明：

一、明确系统目标与架构模式

1.1 典型应用场景

智能客服（意图识别 + 知识检索 + 回答生成）
自动化报告（数据收集 → 分析 → 撰写）
工业运维助手（设备状态查询 → 故障诊断 → 工单创建）
医疗问诊（症状收集 → 知识库匹配 → 诊疗建议）

1.2 选择协作架构（关键！）

架构类型	特点	适用场景
Supervisor（主管模式）	中央协调者决定任务路由	大多数企业级应用，可控性强
Handoffs（交接模式）	Agent 主动移交控制权	需灵活跳转、支持人工干预
Team（团队模式）	类似人类团队分工协作	内容创作、研究分析等流程化任务
Network（全互联）	任意Agent可调用其他	小规模实验，生产慎用

✅ 推荐生产使用 Supervisor 或 Team 模式，避免失控。

二、选择技术栈与框架

框架	特点	适合人群
LangGraph	基于状态图，支持条件边、Human-in-the-loop、可观测性	企业级开发，需精细控制流
CrewAI	面向"角色-任务-团队"抽象，代码简洁	快速原型、内容生成类任务
smolagents / Dify	轻量、支持 CodeAgent（可生成并执行代码）	需要动态编程能力的场景
AutoGen（微软）	支持多Agent对话、GroupChat	学术研究、对话模拟

📌 示例：若需构建可审计、可回滚、支持人工审批 的系统 → 选 LangGraph

若只需快速搭建研究员+撰稿人 流水线 → 选 CrewAI

三、核心组件设计（以 LangGraph 为例）

3.1 定义共享状态（State）

python 复制代码

from typing import TypedDict, Annotated, List
from langgraph.graph.message import add_messages
from langchain_core.messages import AnyMessage

class AgentState(TypedDict):
    messages: Annotated[List[AnyMessage], add_messages]  # 对话历史
    task_type: str      # 任务类型（如 "diagnosis", "report"）
    device_id: str      # 当前操作对象（可选）
    remaining_steps: int  # 防止无限循环

3.2 创建专业化 Agent 节点

python 复制代码

def knowledge_agent(state: AgentState):
    query = state["messages"][-1].content
    # 调用RAG或API
    result = rag_retriever.invoke(query)
    return {"messages": [AIMessage(content=result)]}

def reasoning_agent(state: AgentState):
    context = "\n".join([m.content for m in state["messages"]])
    response = llm.invoke(f"基于以下信息推理：{context}")
    return {"messages": [AIMessage(content=response)]}

3.3 设计主管（Supervisor）决策逻辑

python 复制代码

def supervisor(state: AgentState):
    prompt = f"""
    用户问题：{state['messages'][-1].content}
    请选择下一步执行的Agent：
    - 若需查资料 → 返回 'knowledge'
    - 若需推理总结 → 返回 'reasoning'
    - 若已完成 → 返回 'END'
    """
    decision = llm.with_structured_output(SupervisorSchema).invoke(prompt)
    return {"next": decision.agent_name}

3.4 编排图结构

python 复制代码

from langgraph.graph import StateGraph, START, END

builder = StateGraph(AgentState)
builder.add_node("supervisor", supervisor)
builder.add_node("knowledge", knowledge_agent)
builder.add_node("reasoning", reasoning_agent)

builder.add_edge(START, "supervisor")
builder.add_conditional_edges(
    "supervisor",
    lambda s: s["next"],
    {"knowledge": "knowledge", "reasoning": "reasoning", "END": END}
)
builder.add_edge("knowledge", "supervisor")
builder.add_edge("reasoning", "supervisor")

graph = builder.compile()

四、增强系统可靠性（高级技巧）

✅ 加入 Human-in-the-Loop

python 复制代码

# 在关键节点插入人工审批
def human_review(state):
    print("请审核以下内容：", state["messages"][-1].content)
    approval = input("是否通过？(y/n): ")
    return {"approved": approval == "y"}

✅ 支持任务回滚与修正（如腾讯云方案）

使用 全局监控Agent 监听用户中途修改（如"我改时间了"）
触发 状态重置 或 跳转到指定节点

✅ 引入长期记忆

python 复制代码

from langgraph.store.memory import PostgresStore
long_term_store = PostgresStore(conn_string="postgresql://...")
# 在Agent中读写用户偏好、历史记录

五、部署与可观测性

日志追踪：集成 LangFuse / LangSmith，记录每步Agent决策
性能监控：统计各Agent调用频次、耗时、失败率
容器化部署：用 Docker + FastAPI 封装为微服务
安全控制 ：限制 CodeAgent 的 import 权限（如只允许 datetime, json）

六、快速上手示例（CrewAI 版）

python 复制代码

from crewai import Agent, Task, Crew

researcher = Agent(role="数据研究员", goal="收集2025年AI趋势", verbose=True)
writer = Agent(role="技术作家", goal="撰写清晰报告", verbose=True)

task1 = Task(description="调研多Agent框架进展", agent=researcher)
task2 = Task(description="基于调研写一篇综述", agent=writer)

crew = Crew(agents=[researcher, writer], tasks=[task1, task2])
result = crew.kickoff()
print(result)

总结：构建多Agent系统的 Checklist

明确任务是否需要多Agent（工具 >3 个？任务 >2 步？）
选择合适架构（Supervisor / Team / Handoffs）
定义清晰的 State 和消息协议
每个 Agent 保持单一职责
加入错误处理与防循环机制
集成可观测性工具（LangFuse 等）
考虑 Human-in-the-Loop 场景

💡 记住：多Agent不是越多越好，而是"恰到好处的专业分工"。一个设计良好的双Agent系统（如分析+生成），往往比混乱的五Agent系统更可靠。