单agent的局限性
在日常与大模型的对话过程中，能够很明显地感觉到，模型的回答和任务完成质量不仅仅和其参数和skill有关，还和任务复杂度以及其擅长方向有关，不同的大模型其实擅长的领域也各不相同。 这其实就能映射出一个问题：任务越复杂，要达到相同的任务完成质量就需要模型的能力越强，并且同样难度的问题，交给通用大模型和专门为了该类问题微调的大模型，给出的回答和完成质量是不一样的。而单agent的问题同样，主要是有三个缺点：
-
认知负担过重：单独一个agent面对问题，需要同时做到理解任务，设计算法与执行步骤并检查自己是否出错，这三种领域的任务要集合到一个agent来完成，会给agent的认知造成极大的负担，甚至有可能agent为了保证任务的完成度，而出现三个任务都做不好的情况；
-
稳定性不足：agent在处理任务时，难以保持持续专注，跨领域任务处理得比较吃力，严格的逻辑链条非常脆弱，容易断裂。也就是说，往往任务做着做着，在对话里提到之前提到的某个细节时大模型可能会"忘"掉或者曲解其意义，进而出现幻觉，这样的问题一旦在处理的过程中的某一个环节出现，都会造成很大的问题；并且跨领域任务就意味着要切换不同领域，那模型的注意力不一定能保证集中；
-
专注力不足：涉及多阶段的任务不能一直持续做，复杂的推理路径很不稳定，容易出现逻辑问题；并且容易在复杂任务中迷失，变得有时说着说着就去处理其他的问题去了，也就是我们常发现的，一旦跟大模型对话了很多轮次后，很有可能出现前期讨论的重点方向在后期变得不认同 这其实是涉及到一个认知问题：我们本身希望agent能够处理任何问题，但是复杂问题本身就是糅合了许多领域的知识，在没经过对应微调的情况下，让其去处理这样的问题，期望其给出高质量的回答和结果本身就是不合理的。就像小组报告论文和课程论文一样，后者只需要自己调研，搜集某个领域的知识去完成，而前者需要分工、讨论、结合各自的研究成果才能形成这样的一篇报告论文，高复杂度的任务，交给多个agent来完成才是合理的，而不是一味地强调模型数量越多越好。
"冗余"校验
我们之前提到过ReAct框架可以让agent在输出结果前自行校验一下，但是这需要我们去调整其架构。而多agent的架构，天然就具备了这样的校验能力，每个agent的输出都会被下一个阶段的agent阅读并质疑，达到这样的效果只需要我们在其提示词里加一句检查输入，就能达到每个agent互相监督输出的效果。 比如分配任务输出了每个agent的任务，agent领取了各自的任务时会在执行前先检查一下任务是否合理，细节是否严谨，角度是否全面；代码agent输出的结果会被验证agent去逐行检查，这里的关键是，每个agent的底层逻辑不一样，思考角度不一样，可能就能看到一些隐藏的问题。
对话式协作方式
多agent之间沟通交流的信息流是以对话方式进行的，这听起来或许会有点困惑，难道说给出写好的代码文件，成果不是更好的吗。其实不然，从模型的理解出发，要知道，最好让模型能理解的方式，就是以语言的方式告诉模型，给出文件模型理解是省略了一个中间模型思考文件的过程。而这种用自然语言的交流方式，可以看做是，一个抽象、目的模糊的任务，经过每个agent的努力，让其不断地变清晰，最后呈现出一个直接、成熟、质量好的回答，就像是开抢前，要调整准度，不仅仅是考虑视野里的清晰度，还要考虑风速，阻力等各个要素，多agent就是通过各自的方式把这些细节都做好，最后狙击手只需要扣动扳机（也就是输出）就能完成任务。 更重要的是，这种方式这种协作方式，就代表面对更复杂的任务，不需要重新起一个新的结构，而是针对性地增加agent，或者微调某个步骤对应负责的agent的细节就可以让其能承受这个任务的难度。 所以多agent的重点是有序分工，根据任务会涉及到的领域分配对应的agent，做好协作就能完成很多复杂度高的任务。