Multi-Agent 系统(一):问题域与架构选型——为什么这次"固定流程"编排不动

Multi-Agent 系统(一):问题域与架构选型------为什么这次"固定流程"编排不动

「研发效能 Multi-Agent 系统」专栏第 1 篇。这是我第二个 AI 应用项目,与投研智库 RAG 刻意走了另一条路线:当任务开放到无法用固定流程编排时,如何让主 Agent 动态规划、用工程手段守住安全边界。

技术栈:Python / DeepAgents / LangGraph / FastAPI / WebSocket / MySQL / Tavily Search

专栏目录

  1. 问题域与架构选型(本篇)
  2. 主从架构设计:主 Agent 规划 + 五个专职子 Agent
  3. SQL 安全五层防线:让 LLM 碰生产数据这件事可交付
  4. 工程化:任务状态机、会话隔离与 WebSocket 进度推送
  5. 异常降级、效果复盘与两个项目的合并叙事(完结)

一、业务场景:研发效能复盘为什么难自动化

研发效能分析是 TL、PM 和效能工程师的日常:写周报、做迭代复盘、分析缺陷趋势。信息源极其分散------需求/缺陷/迭代/工时数据在数据库多张表里,测试报告是上传的文件,评审规范在内部知识库,行业基线(如 DORA 指标)要联网查。

一个典型任务长这样:

"结合本 Sprint 的缺陷数据、测试报告和行业 DORA 指标,生成这次迭代的复盘报告"

人工做这件事:查库导表、翻文件、搜行业数据、汇总分析、写稿------小时级的机械劳动,且每个 Sprint 重复一遍。

二、为什么固定 StateGraph 这次编排不动

我的第一反应当然是复用 RAG 项目的套路:LangGraph 固定图,把流程编排出来。但很快发现这类任务和 RAG 问答有本质区别:每次任务需要的工具组合是不确定的。

  • 有的任务只查库("统计本月缺陷分布");
  • 有的要查库 + 读文件("结合测试报告分析质量趋势");
  • 有的还要联网("和行业 DORA 基线对比");
  • 有的需要多轮分析迭代(先查数据 → 发现异常 → 追查明细 → 再下结论)。

用固定图编排会陷入两难:把所有分支都编进图里,图会组合爆炸;只编常见路径,稍微变化的任务就走不通。

这正是"让模型规划"的适用场景------任务开放、工具组合不确定、单步风险可控(都是读操作 + 生成报告)。

三、两个项目最重要的架构对比

维度 投研智库 RAG(固定图) 研发效能 Multi-Agent(动态规划)
任务形态 确定性问答,流程清晰 开放复合任务,组合不确定
控制流 工程代码 + 条件边决定 主 Agent 理解任务后动态委派
风险控制 阈值分支、拒答 工具权限隔离、SQL 只读校验、状态机
可控性 vs 灵活性 可控优先 灵活优先,用安全边界兜底
"谁控制下一步" 工程师(写死在图里) 主 Agent(规划输出)

选型判断标准一句话:确定性强、风险高的场景用固定编排;任务开放、探索性强的场景才值得引入自主规划------不是"多 Agent 越多越智能"。这两个项目一个可控优先、一个灵活优先,是刻意的互补,也是我面试时最重要的架构叙事。

四、框架选型:DeepAgents 与 LangGraph 的关系

一句话:LangGraph 是底层编排引擎 (图状态、节点、边、checkpoint),DeepAgents 是在其上封装的高层 Agent 运行框架(主 Agent 构建、工具挂载、子 Agent 委派开箱即用)。

  • RAG 项目直接用 LangGraph StateGraph 写固定图------"谁控制下一步"的答案是工程代码;
  • 本项目用 DeepAgents 的 create_deep_agent(..., subagents=...)------"谁控制下一步"的答案是主 Agent 的规划输出。

checkpoint 保存会话执行状态,当前用内存 checkpointer,生产要换持久化存储------这是本专栏第 5 篇会展开的生产债之一。

为什么不自己从零写规划循环? 规划-执行-观察的 ReAct 循环、子 Agent 委派协议、工具调用重试,这些通用机制自己写既慢又容易出细节 bug;框架解决通用机制,我的精力应该花在业务工具设计和安全边界上------这是本专栏后面几篇的重点。

五、本篇小结

  • 场景特征:信息源分散 + 工具组合不确定 → 固定图编排不动;
  • 选型标准:确定性/风险高 → 固定编排;开放/探索性 → 模型规划 + 工程兜底;
  • DeepAgents(高层 Agent 框架)跑在 LangGraph(底层编排引擎)之上。

下一篇进入架构核心:主 Agent 怎么规划、五个子 Agent 怎么分工,以及"主从委派"相比"一个大 Prompt + 一堆工具"到底强在哪。

下一篇:《主从架构设计:主 Agent 规划 + 五个专职子 Agent》

相关推荐
Flynt9 小时前
AI 写的 Three.js 大屏,为什么越跑越卡?我在 Node 里复现了它的内存曲线
前端·ai编程·three.js
J船长9 小时前
AI 知识库的主流做法是 RAG,RAG怎么做
ai编程
小虎AI生活9 小时前
哇塞~24小时开机的WorkBuddy免费领,速来
aigc·ai编程
Csvn9 小时前
换供应商要改一遍代码?把模型接入收进一层网关(C04)
人工智能·aigc·agent
七夜zippoe11 小时前
多 Agent 通信灾难:状态不一致导致雪崩故障的排查与防护
ai·agent·通信灾难·雪崩故障·排查与防护
谙弆悕博士12 小时前
多智能体架构详解:层级树状架构(分级主从型)
运维·架构·大模型·agent·多智能体·langgraph·层级树状
郑世录12 小时前
codex 接本地模型,单次输出卡在 3208 token:一份照着做就能改的完整教程
ai编程
学无止境小袁同学13 小时前
Google ADK 学习指南
python·llm·agent·多agent·google adk·llmagent·agent cli
塑料铲子13 小时前
你的 Skill 越多越蠢?Token 上下文爆炸的求生指南
机器学习·agent
JavaGuide13 小时前
Gemini 真的变强了,写代码做视频的能力接近 Claude Opus5.5 了!
前端·ai编程