Agent 小知识|黑板架构:多个 Agent 如何协作解决复杂问题?

上一期小七聊了「Agent 小知识|Agent 之间如何传递上下文?」。一个 Agent 把任务交给另一个 Agent,需要把目标、范围、必要材料和交付要求交代清楚。

但如果多个 Agent 需要围绕同一个复杂问题持续协作,就需要及时共享彼此的发现。例如排查报表导出 API 超时,日志 Agent 找到异常请求,指标 Agent 发现 CPU 升高,代码 Agent 找到可疑逻辑。新的线索不断出现,大家如何了解当前进展,又该由谁决定下一步调查方向?

黑板架构(Blackboard Architecture)提供了一种协作思路:多个 Agent 共同使用一个共享空间,将观察、假设和阶段性成果记录下来,再根据当前信息继续推进任务。

一图概览|多个 Agent 如何围绕黑板协作?

图注:不同 Agent 将各自的发现写入黑板,其他参与者根据共享信息继续调查和验证。

为什么多个 Agent 需要一块共同的黑板?

先看参与故障排查的四个 Agent:

  • 日志分析 Agent:检查请求日志和异常记录,寻找故障特征。

  • 指标分析 Agent:检查 CPU、数据库响应时间等运行指标。

  • 代码分析 Agent:检查相关代码路径,寻找潜在问题。

  • 测试 Agent:根据已有线索构造测试条件,尝试复现故障。

每个 Agent 都有自己的工作上下文和专业职责,调查过程中也会产生不同的信息。

如果采用直接消息传递,发现问题的 Agent 需要将信息发送给其他参与者。随着调查深入,新的观察、假设和测试结果不断出现,系统还需要处理消息路由、信息同步和状态跟踪。

黑板架构改变了信息的组织方式:Agent 可以先将有价值的发现写入共同的工作空间,其他参与者再根据职责读取相关信息。

例如,日志分析 Agent 可以在自己的工作上下文中保留完整日志,只将关键观察结果和证据引用写入黑板。代码分析 Agent 读取这些信息后,就能接着调查,不必重新检查所有原始日志。

这样,一个 Agent 的发现就能成为其他 Agent 推进工作的共同依据。

多个 Agent 如何围绕黑板协作?

黑板架构的核心,是让不同 Agent 围绕同一份共享状态持续贡献信息。先看一次故障排查是怎样推进的。

第一步:收集不同来源的线索。

日志分析 Agent 发现,数据量较大的报表导出请求更容易超时,于是将这一观察写入黑板。

随后,指标分析 Agent 补充了另一条发现:异常时段应用 CPU 明显升高,但数据库响应时间基本正常。这两条信息放在一起,就为后续调查提供了新的方向。

第二步:根据已有线索提出假设。

代码分析 Agent 读取黑板中的调查结果,开始检查报表导出路径,发现其中存在同步执行的序列化与压缩处理。结合前面的指标,它提出一个待验证假设:大请求可能在这段处理过程中产生较高的 CPU 开销。

代码分析 Agent 将假设及相关代码位置写入黑板。

第三步:根据新状态启动测试。

假设系统将「已经形成待验证假设,并且具备相应的复现条件」设为测试 Agent 的激活条件。负责协调的控制器(Controller)监控黑板状态,当条件满足时,就可以启动测试 Agent。

测试 Agent 读取已有的调查结果,发起一次数据量较大的报表导出请求,在测试环境中观察是否出现相应的 CPU 升高。

第四步:测试结果推动下一轮调查。

假设测试发现,大请求确实会增加序列化和压缩路径的 CPU 开销。测试 Agent 将测试条件和结果写入黑板,为原来的假设提供进一步证据。

代码分析 Agent 读取这条新信息后,可以继续检查具体代码路径,评估优化方案。测试 Agent 则可以在修改后执行回归验证。

如果测试没有复现预期现象,也应将结果写入黑板。代码分析 Agent 可以据此重新评估原来的假设,调整调查方向。

图注:从日志和指标发现,到代码假设、测试验证,新的调查结果持续改变黑板中的共享状态,并推动后续工作。

以上是一个用于解释协作机制的假设性故障场景,并非真实故障记录。案例中的具体日志、指标和代码发现均为示例设定;测试结果可以支持或削弱某项假设,但要确认根因,仍需要进一步验证。

这里还有一个值得注意的设计:谁来决定下一个 Agent 什么时候参与?

一种常见方式是引入控制器。它监控黑板状态,根据预设的参与条件激活相应 Agent。Controller 可以是程序逻辑或规则组件,也可以由一个专门的 Agent 承担协调职责。

另一种方式是机会式问题求解(Opportunistic Problem Solving):Agent 关注黑板中的信息,在发现自己能够提供有价值的贡献时主动参与。

两种方式并不互斥,实际系统也可以结合使用:控制器负责根据预设条件激活参与者,Agent 则根据共享信息判断自己是否能够提供进一步贡献。

例如,测试 Agent 可以订阅待验证假设的变化,但需要注意避免同一条更新反复触发测试。一种简单做法是为黑板记录设置唯一标识或版本号,并记录 Agent 已经处理过的版本,避免重复执行。

黑板上记录什么信息?

看完故障排查过程,再回头看黑板,就比较容易理解它需要保存哪些内容了。

对于这个案例,黑板主要记录三类信息:

  • 观察结果:日志、指标等不同来源发现的现象。

  • 待验证假设:根据已有线索提出、但尚未确认的原因。

  • 阶段性结果:测试条件、复现情况和验证结论。

例如,可以将当前调查信息整理成下面的形式:

这是一种便于理解的状态示例,具体字段需要根据任务设计,并不是所有黑板都采用相同的数据结构。如果要设计自己的黑板,可以先考虑为每条记录保留几项基础信息:**记录类型、具体内容、来源或依据、提交者、更新时间和当前状态。**不同类型的信息还可以增加相应字段:

  • 观察结果:记录具体现象和证据引用。

  • 待验证假设:记录假设内容、支持它的观察,以及下一步需要验证什么。

  • 阶段性结果:记录测试条件、执行结果,以及该结果支持还是削弱了哪个假设。

有些实现还会记录置信度,但它不能代替证据来源和验证状态,也不应仅凭 Agent 自行给出的置信度判断哪条信息更可靠。

还需要区分黑板与 Agent 自己的工作上下文。例如,日志分析 Agent 可以保留完整的日志、筛选过程和分析记录,只把与当前调查有关的发现及证据引用写入黑板。其他 Agent 读取共享信息后,再根据需要获取原始材料。

因此,黑板保存的是协作过程中需要共同使用的信息,并不要求所有 Agent 把自己的完整对话历史和工作过程都放进去。

在具体实现中,黑板可以使用共享字典、数据库或结构化文档。常见操作包括:

  • write:将观察、假设或结果写入黑板。

  • read:读取其他 Agent 已经提交的信息。

  • subscribe:订阅指定信息的变化。

  • notify:当相关信息更新时,通知订阅者。

其中,订阅和通知是可以增加的实现能力。例如,测试 Agent 可以订阅待验证假设的变化,当代码分析 Agent 提交新假设时,系统通知测试 Agent 重新读取相关状态。需要注意,Agent 能够读取共享状态,不代表它们会自动收到所有更新。具体的信息获取和通知方式,仍然需要系统安排。

黑板架构与其他 Agent 协作方式的区别

理解黑板架构,还需要把它和大家熟悉的几种协作方式区分开。黑板描述的是一种协调机制,而管理者模式(Orchestration)、对等协作模式(Peer Collaboration)、去中心化模式(Decentralized)等,描述的是 Agent 之间的协作拓扑。它们属于不同的设计维度,可以组合使用。它们属于不同的设计维度,可以组合使用。

与直接消息传递的区别

直接消息传递是指一个 Agent 将信息组织成消息,再通过点对点发送、广播或主题订阅等方式传递给其他 Agent。

黑板架构则让 Agent 把信息写入共同的状态空间,其他参与者根据需要读取。

两者也可以结合。例如,Agent 写入黑板后,系统仍然可以通过消息通知相关参与者。

与 Manager-Worker 任务分解的区别

Manager-Worker 模式通常由 Manager 将高层任务拆分成有依赖关系的子任务,分配给不同 Worker,并跟踪执行进度。

例如,开发一项报表导出功能,可以提前拆成需求分析、接口实现、测试和代码审查。

黑板架构更适合解决路径尚不明确的问题。线上故障排查一开始并不知道是数据库、应用代码还是外部依赖出了问题,不同 Agent 的发现会不断改变后续调查方向,很难提前安排完整的执行步骤。

两者的关注点不同:

  • Manager-Worker:根据任务及依赖关系安排执行。

  • 黑板架构:根据不断产生的观察、假设和结果组织协作。

实际系统可以将两者结合:Manager 负责初始任务分配,黑板负责汇集调查结果,Controller 再根据当前状态协调后续参与者。

与共享文件系统的区别

共享文件系统可以让多个 Agent 读写共同的文件和文档,交换分析报告、代码及其他工作产物。

黑板架构进一步关注如何将观察、假设和阶段性成果组织成共同的工作状态,以及不同 Agent 如何根据这些信息参与协作。

因此,共享文件系统可以成为黑板的实现基础,但仅仅让多个 Agent 读取同一批文件,并不意味着系统已经具备完整的黑板协调机制。

什么时候适合用黑板架构?

回到最初的故障排查任务。它有几个明显特点:问题的解决路径事先未知,需要不同专业能力提供线索,而且新的发现会改变其他参与者接下来的工作。这类任务正适合黑板架构。

除了复杂故障排查,还包括科学假设生成、多来源情报分析等场景。它们通常需要不同 Agent 在不同阶段贡献观察、假设和部分解决方案,而不是按照一套固定流程依次完成任务。

如果任务简单、执行步骤明确,或者只需要一个 Agent 把结果交给另一个 Agent,那么直接消息传递或任务分解可能就足够了,没有必要额外引入黑板协调机制。

采用黑板架构也会增加一些工程工作:

  • 状态维护:需要区分观察、假设和已验证结论,保留证据来源和验证状态,避免把推测当成事实。

  • 更新协调:多个 Agent 可能同时修改信息。可以为记录保留版本和更新历史,避免简单覆盖导致重要线索丢失。

  • 参与控制:需要设置合理的触发条件,并记录已经处理过的信息版本,避免 Agent 因为重复或无关的信息变化反复执行任务。

  • 访问边界:需要明确不同 Agent 能够读取和修改哪些信息,不能因为使用共享空间就默认所有参与者拥有相同权限。

例如,当两个 Agent 对同一问题给出不同判断时,不宜简单地让后写入的内容覆盖先前记录。可以保留不同版本及其来源,再根据证据进行验证;对于需要持续维护的信息,也可以指定相应的负责者。

黑板本身不会自动保证信息实时一致,也不能保证写入的结论正确。共享状态如何维护、不同参与者如何获得相应权限,仍然需要在系统设计中明确。

结语

多 Agent 协作中,任务交接解决的是信息如何交给下一个 Agent;黑板架构进一步解决的是多个 Agent 如何围绕同一份工作状态持续协作。当一个 Agent 产生新的发现,其他参与者可以读取这些信息,调整自己的工作方向。系统也可以根据当前状态协调谁来继续处理,让不同专业能力在合适的阶段发挥作用。

下一期,我们继续讨论一个与此密切相关的问题:多个 Agent 共同使用一份状态空间时,如何确认参与者身份、控制访问和修改权限,并追踪操作过程?

相关推荐
Xxtaoaooo20 天前
LLM智能路由实战:用Routing Cost把TTFT降低16.9%
高可用·成本优化·llm应用·智能路由·agent架构
可乐ea21 天前
子智能体该不该并回主循环:一份架构取舍清单
架构·ai智能体·上下文工程·agent架构·子智能体·单agent循环
小七-七牛开发者22 天前
多 Agent 架构中的 Subagent 拆分与合并策略
agent·multiagent·subagent·agent架构·harness #工程实践
光依旧2 个月前
herdr:给 Agent 一个专属终端运行时,是不是伪需求?
ai agent·运行时·agent安全·harness·agent架构·herdr·终端多路复用
可乐ea2 个月前
一个任务一条「模型流水线」:GitHub HydraFusion 多模型运行时编排拆解
github·ai智能体·agent架构·多模型编排·大模型路由
小马9263 个月前
插件化 Agent 架构:DeepSeek Harness 如何让智能体重构不再需要 Fork
架构·deepseek·agent架构
minhuan4 个月前
大模型Agent核心架构,详解ReAct、Plan-and-Execute、Reason-Act-Observe循环21.6
react·大模型应用·agent架构·ai应用架构设计·plan-execute
行者-全栈开发4 个月前
【Spring AI 】AI Agent 架构设计:感知、规划、行动、记忆四层模型深度解析(2026最新)
langchain·autogen·spring ai·企业级应用·智能体设计·agent架构·四层模型深度解析
SuniaWang6 个月前
《AgentX 专栏》08-工作流引擎:AgentWorkflow怎么把工具记忆流程串成一条流水线
java·ai·架构·langchain·工作流引擎·langgraph·agent架构