Python 构建AI多智能体系统：让三个 AI 协作完成复杂任务

平安的平安2026-04-07 9:13

单个 AI 能做的事有限，三个 AI 分工协作能做的事远超你想象。本文用纯 Python 从零实现一个多智能体系统，完整代码可直接运行。

一、什么是多智能体系统（Multi-Agent System）？

简单说：多个 AI Agent 各司其职，协作完成一个复杂任务。

类比现实团队：

  • 产品经理负责分析需求
  • 程序员负责写代码
  • 测试工程师负责检查质量

每个 Agent 有自己的职责、工具和思考方式，它们之间通过消息传递来协作。
调研结果
代码输出
反馈意见
需要修改
📋 最终交付
🎯 协调者 Agent

任务拆分与调度
🔍 研究 Agent

信息搜集与分析
💻 编码 Agent

代码生成
🧪 审查 Agent

质量检查

二、为什么不用现成框架？

LangGraph、CrewAI、AutoGen 都很好，但先理解原理再选框架，才是正确的学习路径。
32% 28% 22% 13% 5% 多智能体开发者的技术选型（2026） 自研轻量框架 LangGraph CrewAI AutoGen 其他

本文先用纯 Python 实现核心逻辑，再对比框架选型。

三、系统架构设计

我们要构建的系统：AI 研发小队

复制代码 
用户输入需求 → 协调者拆分任务 → 三位 Agent 各司其职 → 汇总交付
角色 职责 工具
Coordinator（协调者） 分析需求、分配任务、汇总结果 任务拆解、结果整合
Researcher（研究员） 搜集技术方案、查找最佳实践 知识检索、方案分析
Coder（程序员） 编写代码实现 代码生成、文件操作
Reviewer（审查员） 检查代码质量和安全性 代码审查、漏洞扫描

四、代码实现

4.1 基础类：定义 Agent

python 复制代码 
# agent.py
import json
import ollama
from dataclasses import dataclass, field
from typing import Optional


@dataclass
class Message:
    role: str       # "user" | "agent" | "system"
    sender: str     # 发送者名称
    content: str


@dataclass
class Agent:
    name: str
    role: str
    system_prompt: str
    model: str = "qwen3:8b"
    history: list = field(default_factory=list)

    def think(self, messages: list[Message]) -> str:
        """思考并回复"""
        # 构建完整的消息列表
        full_messages = [
            {"role": "system", "content": self.system_prompt}
        ]
        for msg in messages:
            full_messages.append({
                "role": "user" if msg.sender != self.name else "assistant",
                "content": f"[来自 {msg.sender}] {msg.content}"
            })

        # 调用模型
        response = ollama.chat(
            model=self.model,
            messages=full_messages
        )
        return response["message"]["content"]

4.2 定义三个专业 Agent

python 复制代码 
# agents.py
from agent import Agent

# 研究员 Agent：负责技术调研
researcher = Agent(
    name="Researcher",
    role="技术研究员",
    system_prompt="""你是一个技术研究员。你的任务是：
1. 分析用户需求中涉及的技术点
2. 给出最佳实践和技术方案建议
3. 列出关键注意事项和潜在风险

输出格式：
## 技术分析
（分析内容）

## 推荐方案
（方案详情）

## 注意事项
（风险和注意点）"""
)

# 程序员 Agent：负责写代码
coder = Agent(
    name="Coder",
    role="高级程序员",
    system_prompt="""你是一个高级 Python 程序员。你的任务是：
1. 根据需求和调研结果编写高质量的 Python 代码
2. 代码必须包含完整的类型注解和 docstring
3. 包含错误处理和日志记录
4. 输出可直接运行的完整代码

输出格式：
## 实现思路
（简述思路）

## 完整代码
```python
（代码）
```"""
)

# 审查员 Agent：负责代码审查
reviewer = Agent(
    name="Reviewer",
    role="代码审查专家",
    system_prompt="""你是一个严格的代码审查专家。你的任务是：
1. 审查代码的正确性、安全性和性能
2. 检查是否遵循最佳实践
3. 给出修改建议

评分标准（满分 10 分）：
- 正确性：代码逻辑是否正确
- 安全性：是否存在安全漏洞
- 可读性：命名、注释、代码结构
- 性能：是否有明显的性能问题

输出格式：
## 评分：X/10
## 优点
（列出优点）
## 问题
（列出问题）
## 修改建议
（具体建议）"""
)

4.3 协调者：任务调度中心

python 复制代码 
# coordinator.py
from agent import Agent, Message


class Coordinator:
    """协调者：负责调度多个 Agent 协作"""

    def __init__(self, researcher, coder, reviewer):
        self.researcher = researcher
        self.coder = coder
        self.reviewer = reviewer
        self.log = []

    def _log(self, phase: str, content: str):
        """记录执行日志"""
        self.log.append({"phase": phase, "content": content})
        print(f"\n{'='*60}")
        print(f"📋 [{phase}]")
        print(f"{'='*60}")
        print(content[:500] + "..." if len(content) > 500 else content)

    def run(self, task: str, max_revisions: int = 2) -> dict:
        """
        执行完整的多智能体协作流程

        Args:
            task: 用户需求描述
            max_revisions: 最大修改轮数

        Returns:
            包含所有阶段输出的字典
        """
        results = {"task": task, "phases": []}

        # ========== 第一阶段：需求分析 + 技术调研 ==========
        print("\n🔍 第一阶段：技术调研")
        research_msg = Message(
            role="user", sender="Coordinator",
            content=f"请分析以下需求的技术方案：\n{task}"
        )
        research_result = self.researcher.think([research_msg])
        self._log("技术调研", research_result)
        results["phases"].append({
            "phase": "research", "output": research_result
        })

        # ========== 第二阶段：代码生成 ==========
        print("\n💻 第二阶段：代码生成")
        code_msg = Message(
            role="user", sender="Coordinator",
            content=f"""请根据以下需求和调研结果编写代码：

## 需求
{task}

## 技术调研结果
{research_result}

请直接输出完整可运行的 Python 代码。"""
        )
        code_result = self.coder.think([code_msg])
        self._log("代码生成", code_result)
        results["phases"].append({
            "phase": "code", "output": code_result
        })

        # ========== 第三阶段：代码审查（可循环） ==========
        current_code = code_result
        revision = 0

        while revision <= max_revisions:
            print(f"\n🧪 第三阶段：代码审查（第 {revision + 1} 次）")
            review_msg = Message(
                role="user", sender="Coordinator",
                content=f"请审查以下代码：\n{current_code}"
            )
            review_result = self.reviewer.think([review_msg])
            self._log(f"代码审查（第{revision+1}次）", review_result)

            # 检查评分（简单解析）
            score = self._extract_score(review_result)
            print(f"\n📊 当前评分：{score}/10")

            if score >= 8 or revision == max_revisions:
                results["phases"].append({
                    "phase": "review",
                    "output": review_result,
                    "score": score
                })
                break

            # 分数不够，让程序员修改
            print(f"\n🔄 评分不足，进入修改...")
            fix_msg = Message(
                role="user", sender="Coordinator",
                content=f"""请根据审查意见修改代码：

## 审查意见
{review_result}

## 原始代码
{current_code}

请输出修改后的完整代码。"""
            )
            current_code = self.coder.think([fix_msg])
            self._log(f"代码修改（第{revision+1}次）", current_code)
            revision += 1

        results["final_code"] = current_code
        results["revisions"] = revision + 1

        return results

    def _extract_score(self, review_text: str) -> int:
        """从审查结果中提取评分"""
        for line in review_text.split("\n"):
            if "评分" in line and "/" in line:
                try:
                    score = int(line.split(":")[-1].strip().split("/")[0])
                    return score
                except (ValueError, IndexError):
                    pass
        return 5  # 默认评分

4.4 主程序：启动你的 AI 团队

python 复制代码 
# main.py
from agents import researcher, coder, reviewer
from coordinator import Coordinator
import json


def main():
    print("🚀 AI 研发小队已就绪！")
    print("=" * 60)

    # 初始化协调者
    coordinator = Coordinator(researcher, coder, reviewer)

    # 示例任务
    task = "用 Python 写一个文件批量重命名工具，支持按日期、序号、正则匹配重命名，需要命令行参数解析和日志记录"

    # 执行任务
    results = coordinator.run(task, max_revisions=2)

    # 输出最终结果
    print("\n" + "=" * 60)
    print("✅ 任务完成！")
    print("=" * 60)
    print(f"\n📊 总修改轮数：{results['revisions']}")
    print(f"\n💻 最终代码：\n{results['final_code']}")

    # 保存结果
    with open("output.json", "w", encoding="utf-8") as f:
        json.dump(results, f, ensure_ascii=False, indent=2)
    print("\n💾 完整结果已保存到 output.json")


if __name__ == "__main__":
    main()

五、执行流程详解

审查员 程序员 研究员 协调者 用户 审查员 程序员 研究员 协调者 用户 第一阶段：调研 第二阶段：编码 第三阶段：审查 评分不足，要求修改 提交任务需求 需求分析 + 技术方案 返回调研报告 调研结果 + 编码需求 返回代码 提交代码审查 评分 6/10 + 修改建议 审查意见 + 修改要求 返回修改后代码 再次审查 评分 9/10 ✓ 交付最终代码 + 报告

六、扩展：加入工具能力

让 Agent 不只是"说话"，还能"做事"：

python 复制代码 
# tools.py
import os
import subprocess


def write_file(path: str, content: str) -> str:
    """写入文件"""
    os.makedirs(os.path.dirname(path) or ".", exist_ok=True)
    with open(path, "w", encoding="utf-8") as f:
        f.write(content)
    return f"文件已写入: {path}"


def run_python(filepath: str) -> str:
    """运行 Python 文件并返回结果"""
    try:
        result = subprocess.run(
            ["python", filepath],
            capture_output=True, text=True, timeout=30
        )
        output = result.stdout
        if result.returncode != 0:
            output += f"\n❌ 错误:\n{result.stderr}"
        return output
    except subprocess.TimeoutExpired:
        return "执行超时（30秒）"


# 将工具注册到 Agent
AVAILABLE_TOOLS = {
    "write_file": {
        "func": write_file,
        "description": "将内容写入指定文件",
        "params": ["path", "content"]
    },
    "run_python": {
        "func": run_python,
        "description": "运行 Python 文件",
        "params": ["filepath"]
    }
}

七、性能对比

在我的测试环境（i7-13700K + 32GB 内存，纯 CPU 模式）下的表现：
40% 25% 20% 12% 3% 多 Agent 系统各阶段耗时占比 技术调研（Researcher） 代码生成（Coder） 代码审查（Reviewer） 修改迭代（Revision） 协调调度开销

任务复杂度 Agent 数量 平均耗时 修改轮数
简单（单文件脚本） 3 ~2 分钟 1 轮
中等（带参数的工具） 3 ~5 分钟 1-2 轮
复杂（多文件项目） 4-5 ~10 分钟 2-3 轮

如有 GPU，速度可提升 3-5 倍。

八、注意事项

  1. Prompt 是灵魂：每个 Agent 的 System Prompt 决定了它的输出质量，值得反复打磨
  2. 防止死循环 ：设置 max_revisions 上限，避免审查员和程序员无限互相"踢皮球"
  3. 上下文窗口：长对话会消耗大量 token，注意定期截断历史
  4. 错误处理：模型偶尔会输出格式不符的内容，需要做容错解析
  5. 本地模型局限：8B 模型的多步推理能力有限，复杂任务建议用 GPT-5 或 Claude

总结

能力有限
分工明确
互相审查
并行处理
单 Agent
多 Agent 协作
更高质量输出
更少 Bug
更快交付

多智能体系统的核心理念：不是让一个 AI 做所有事，而是让多个专精 AI 各司其职、互相补位。

就像真正的团队一样------没有人是全能的，但一个好的团队可以。

相关推荐
lifallen2 小时前
Flink Agent 与 Checkpoint：主循环闭环与 Mailbox 事件驱动模型
java·大数据·人工智能·python·语言模型·flink
今夕资源网2 小时前
音谷 - AI 多角色多情绪配音平台 github开源的多角色、多情绪 AI 配音生成平台，支持小说、剧本、视频等内容的自动配音与导出。
人工智能·开源·github
Fcy6482 小时前
算法基础详解（4）双指针算法
开发语言·算法·双指针
golang学习记2 小时前
VS Code官宣：全面支持Rust！
开发语言·vscode·后端·rust
曲幽2 小时前
FastAPI + Vue 前后端分离实战：我的项目结构“避坑指南”
python·vue·fastapi·web·vite·proxy·cors·env
AI自动化工坊2 小时前
工程实践：AI Agent双重安全验证机制的技术实现方案
网络·人工智能·安全·ai·ai agent
xwz小王子2 小时前
Nature Communications从结构到功能：基于Kresling折纸的多模态微型机器人设计
人工智能·算法·机器人
luj_17682 小时前
从R语言想起的，。。。
服务器·c语言·开发语言·经验分享·算法
Kapaseker2 小时前
Python 提速 — 惰性导入
python
热门推荐
01GitHub 镜像站点02OpenClaw 请求超时 llm request timed out 怎么解决？3 种方案实测，附完整排查流程03Qwen3.5-Omni与Qwen3.6模型全面解析（含测评/案例/使用教程）04VMware Workstation Pro 17 虚拟机完整安装教程（2026最新）05AI 编程效率翻倍：Superpowers Skills 上手清单 + 完整指南06【技术干货】Gemma 4 上手深度指南：本地多模态大模型的新基线07最新更新版本，OpenClaw v2026.4.2 深度解读剖析：Task Flow 重磅回归与安全架构的全面硬化08Claude Code 未登录 使用第三方模型09纯 HTML/CSS/JS 实现的高颜值登录页，还会眨眼睛！少女心爆棚！10UV安装并设置国内源