多 Agent 系统的核心问题不是"创建多个 LLM"，而是：
如何让多个具有不同职责的 Agent，在共享目标下进行任务分工、通信、协作，并根据环境变化动态调整角色。
可以把它理解成一个"AI团队"。
例如一个机器人云平台：
规划 Agent：负责任务拆解
导航 Agent ：负责路径规划视觉 Agent：负责识别
控制 Agent：负责运动控制
诊断 Agent：负责故障分析
它们不是同时乱跑，而是需要一个协作机制。
一、多 Agent 基本架构
典型架构：
用户任务
|
↓
Coordinator Agent
(调度/管理Agent)
|
↓ ↓ ↓
Planning Agent Vision Agent Control Agent
↓ ↓ ↓
Tools Tools Tools
|
↓
Environment
其中：
Coordinator Agent（协调者）
类似项目经理：
负责：
理解目标
分配任务
调度 Agent
处理冲突
动态切换
二、Agent之间如何通信？
主要有三种方式。
方式1：中心化通信（最常用）
所有 Agent 通过一个 Manager 通信。
例如：
User
|
↓
Manager
/ | \
Plan Vision Control
消息：
{
"from":"planner",
"to":"navigation",
"task":{
"goal":"move to room 101"
}
}
优点：
简单
容易
控制易调试
缺点：
Manager压力大
单点故障
适合：
企业Agent、机器人系统。
方式2：去中心化通信
Agent之间直接交流：
Planner
|
|
Vision ---- Control
|
Navigation
例如：
Vision：
发现障碍物
↓
直接通知Navigation
优点：
灵活
扩展性好
缺点：
协议复杂
容易混乱
适合：
大型Multi-Agent。
方式3：黑板模式（Blackboard）
多个 Agent 共享一个状态空间。
类似：
Blackboard
|
| | |
Planner Vision Control
例如：
共享状态：
{
"robot_position":3,5,
"battery":20,
"obstacle":"chair"
}
Agent读取和修改。
类似机器人系统里的：
ROS Topic
Shared Memory
Redis
三、Agent如何分工？
核心是：
Role Definition（角色定义）
每个 Agent 有：
Agent Profile
{
name:
capability:
input:
output:
tools:
constraint:
}
例如：
Navigation Agent：
能力:
路径规划
输入:
地图
目标点
输出:
path
工具:
A*
Dijkstra
ROS navigation
Vision Agent：
能力:
目标检测
输入:
camera image
输出:
object location