多智能体架构详解:黑板共享架构(共享存储交互型)

多智能体架构详解:黑板共享架构(共享存储交互型)

摘要:黑板共享架构是经典的解耦式多智能体协作模式,不少开发者容易忽略,但在实际项目里用得很多。和前面几种调度型架构不一样,Agent之间不会直接互相发消息,全部依托一块公共"黑板",也就是共享状态空间间接协作。本文梳理它的运行逻辑、和星型/层级架构的差异、优缺点、落地场景,附带Mermaid图,适合LangGraph、CrewAI开发者阅读。

前言

前面我们聊了流水线、圆桌协商、星型中心化、层级树状这四种架构。它们有一个共同点:存在明确的调度或者上下级关系,Agent之间的交互是提前编排好的。

黑板架构的思路完全不同:没有固定主管,也没有预先写死的调用链路。各个专精Agent盯着同一份共享空间,满足条件就主动输出结果,依靠信息沉淀一起完成问题求解。这个模式由来已久,最早应用在语音识别系统Hearsay‑II,放到现在大模型多Agent场景,依然很适合多源信息融合、多专家联合研判这类任务。

一、什么是黑板共享架构?

核心逻辑

所有智能体不采用点对点通信,交互媒介就是公共黑板,也就是共享数据空间、全局内存。

每个Agent只做两件事:读取黑板上已有的信息,在自己擅长的领域产出结论,再写回黑板。Agent不需要知道其他Agent是否存在,也不用关心谁会读取自己的输出。任务依靠持续追加信息、迭代假设,自发向前推进。
重点区分:星型架构是调度器主动派任务;黑板架构没有统一派发者,Agent是状态触发式,看到黑板上出现自己能处理的信息,就主动参与工作。
#mermaid-svg-OiDd8WDkg37Wc2ZC{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-OiDd8WDkg37Wc2ZC .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-OiDd8WDkg37Wc2ZC .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-OiDd8WDkg37Wc2ZC .error-icon{fill:#552222;}#mermaid-svg-OiDd8WDkg37Wc2ZC .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-OiDd8WDkg37Wc2ZC .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-OiDd8WDkg37Wc2ZC .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-OiDd8WDkg37Wc2ZC .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-OiDd8WDkg37Wc2ZC .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-OiDd8WDkg37Wc2ZC .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-OiDd8WDkg37Wc2ZC .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-OiDd8WDkg37Wc2ZC .marker{fill:#333333;stroke:#333333;}#mermaid-svg-OiDd8WDkg37Wc2ZC .marker.cross{stroke:#333333;}#mermaid-svg-OiDd8WDkg37Wc2ZC svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-OiDd8WDkg37Wc2ZC p{margin:0;}#mermaid-svg-OiDd8WDkg37Wc2ZC .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-OiDd8WDkg37Wc2ZC .cluster-label text{fill:#333;}#mermaid-svg-OiDd8WDkg37Wc2ZC .cluster-label span{color:#333;}#mermaid-svg-OiDd8WDkg37Wc2ZC .cluster-label span p{background-color:transparent;}#mermaid-svg-OiDd8WDkg37Wc2ZC .label text,#mermaid-svg-OiDd8WDkg37Wc2ZC span{fill:#333;color:#333;}#mermaid-svg-OiDd8WDkg37Wc2ZC .node rect,#mermaid-svg-OiDd8WDkg37Wc2ZC .node circle,#mermaid-svg-OiDd8WDkg37Wc2ZC .node ellipse,#mermaid-svg-OiDd8WDkg37Wc2ZC .node polygon,#mermaid-svg-OiDd8WDkg37Wc2ZC .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-OiDd8WDkg37Wc2ZC .rough-node .label text,#mermaid-svg-OiDd8WDkg37Wc2ZC .node .label text,#mermaid-svg-OiDd8WDkg37Wc2ZC .image-shape .label,#mermaid-svg-OiDd8WDkg37Wc2ZC .icon-shape .label{text-anchor:middle;}#mermaid-svg-OiDd8WDkg37Wc2ZC .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-OiDd8WDkg37Wc2ZC .rough-node .label,#mermaid-svg-OiDd8WDkg37Wc2ZC .node .label,#mermaid-svg-OiDd8WDkg37Wc2ZC .image-shape .label,#mermaid-svg-OiDd8WDkg37Wc2ZC .icon-shape .label{text-align:center;}#mermaid-svg-OiDd8WDkg37Wc2ZC .node.clickable{cursor:pointer;}#mermaid-svg-OiDd8WDkg37Wc2ZC .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-OiDd8WDkg37Wc2ZC .arrowheadPath{fill:#333333;}#mermaid-svg-OiDd8WDkg37Wc2ZC .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-OiDd8WDkg37Wc2ZC .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-OiDd8WDkg37Wc2ZC .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-OiDd8WDkg37Wc2ZC .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-OiDd8WDkg37Wc2ZC .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-OiDd8WDkg37Wc2ZC .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-OiDd8WDkg37Wc2ZC .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-OiDd8WDkg37Wc2ZC .cluster text{fill:#333;}#mermaid-svg-OiDd8WDkg37Wc2ZC .cluster span{color:#333;}#mermaid-svg-OiDd8WDkg37Wc2ZC div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-OiDd8WDkg37Wc2ZC .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-OiDd8WDkg37Wc2ZC rect.text{fill:none;stroke-width:0;}#mermaid-svg-OiDd8WDkg37Wc2ZC .icon-shape,#mermaid-svg-OiDd8WDkg37Wc2ZC .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-OiDd8WDkg37Wc2ZC .icon-shape p,#mermaid-svg-OiDd8WDkg37Wc2ZC .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-OiDd8WDkg37Wc2ZC .icon-shape .label rect,#mermaid-svg-OiDd8WDkg37Wc2ZC .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-OiDd8WDkg37Wc2ZC .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-OiDd8WDkg37Wc2ZC .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-OiDd8WDkg37Wc2ZC :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 黑板(共享状态空间)
影像诊断Agent
检验分析Agent
临床评估Agent
控制/仲裁Agent(可选)
最终汇总结论

运作方式

就像一群专家围着同一块白板解题:

有人先把已知条件写上去,其他人看到新增内容,结合自身专业补充观点和证据;

没有专人指定谁什么时候发言,只要黑板的状态匹配自己的能力,就可以参与;

信息不断叠加、交叉印证,直到信息足够,问题收敛,形成最终答案。

举个实际例子:多Agent医疗会诊

初始病历写入黑板;影像Agent读取影像数据,把影像结论写到黑板;检验Agent读取检验指标,补充检验判断;临床评估Agent综合黑板上全部记录,给出综合诊断。

几个Agent互相不直接对话,病历、指标、影像结论全部沉淀在黑板里。

二、典型落地场景

黑板架构适合问题边界开放、多源信息融合、多专家独立研判的场景:

  • 多学科专家会诊、联合诊断系统;
  • 情报分析、风控研判、复杂案件推理;
  • 多源证据融合、假设迭代式求解;
  • 科研仿真、多模块联合评估系统。

不适合:流程固定、有强顺序依赖的任务,这类场景用流水线或者星型调度会更可控;对实时性要求很高、冲突很难自动消解的场景,也不适合直接选用黑板架构。

三、优缺点分析

优点

  • Agent高度解耦,新增、下线、替换某个专家Agent,不需要改动其他Agent;
  • 扩展灵活,不用提前编排调用顺序,天然适配开放类问题;
  • 所有中间证据、假设都保存在共享空间,链路可追溯,方便复盘;
  • 原生支持异步协作,Agent可以并行或者分时参与求解。

缺点

  • 容易出现结论冲突、观点矛盾,需要额外设计仲裁、冲突消解机制;
  • 存在重复劳动的问题,多个Agent读到同一份信息,输出相似内容;
  • 本身没有天然的终止判断逻辑,很难自动识别"问题已经解决",一般要单独增加终止检测模块;
  • 黑板会成为瓶颈,并发读写、状态持续膨胀之后,维护成本会变高。

四、容易踩坑:黑板架构 vs 星型中心化架构

很多人会直接把LangGraph里的共享State等同于黑板架构,这里要分清差异:

  • 星型中心化:由Supervisor主动决策、分发任务,调度器是整个流程的驱动核心;Agent什么时候运行、做什么,都由调度器决定。
  • 黑板共享架构:没有固定的任务派发者,Agent依靠状态触发自主执行;可选的控制单元只负责仲裁、限流、判断是否结束,不会分配任务。

一句话总结:星型是"主管安排大家干活";黑板是"大家看着白板,有能力就主动补内容"。

五、LangGraph里的实现思路

LangGraph的State可以充当黑板,但一套完整的黑板架构,还需要额外处理触发逻辑和冲突问题:

  1. 定义全局共享State(黑板),结构化存储原始输入、证据列表、各个Agent结论、假设、冲突标记;
  2. 每个专家Agent封装成独立Node,读取State,判断当前黑板内容是否属于自己的专长范围;
  3. 增加可选的控制节点,用来检查冲突、去重、判断是否满足终止条件;
  4. 优先使用追加式状态更新(Annotatedlist, add),尽量避免直接覆盖原有数据,防止信息丢失。

简化示意伪代码:

python 复制代码
from typing import TypedDict, Annotated, List
from langgraph.graph import StateGraph, END
from operator import add

# 黑板:共享状态
class BlackboardState(TypedDict):
    query: str
    evidences: Annotated[List[str], add]
    hypotheses: Annotated[List[str], add]
    conflicts: Annotated[List[str], add]
    final_result: str

# 影像Agent节点
def image_agent(state: BlackboardState):
    # 读取黑板,判断是否需要输出
    return {"hypotheses": ["影像侧结论..."]}

# 检验Agent节点
def lab_agent(state: BlackboardState):
    return {"hypotheses": ["检验指标结论..."]}

# 仲裁/终止判断节点
def judge_agent(state: BlackboardState):
    # 检查冲突、判断是否收敛
    return {"final_result": "综合结论"}

六、和前面几种架构快速对比

架构 执行方式 核心特点
线性流水线 串行固定单向流转 标准化SOP,调试简单,适合顺序工序
环形圆桌协商 轮询循环、对等发言 多视角辩论评审,有序轮流,主持人控场
星型中心化调度 中心主管动态派发 按需调用专家,灵活路由,工人互不通信
层级树状架构 金字塔分级、逐层拆解上报 分域管理,支撑大规模集群,信息逐层汇总
黑板共享架构 读写共享空间、状态触发协作 专家解耦,自主贡献,适合多证据融合研判

七、落地避坑建议

黑板尽量做结构化设计,不要只存一大段自由文本,分开字段存放证据、假设、结论,方便后续冲突检测;

优先用追加模式,不要直接覆盖数据,避免后写入的Agent抹掉前面的关键证据;

提前定好冲突处理策略:采信最新结果、采信高置信度结论,还是进入二次复核;

单独实现终止判断逻辑,防止无限循环;很多黑板系统的故障,就是停不下来;

不要把黑板架构当成万能方案,如果任务有明确步骤,优先考虑星型或者流水线。

总结

黑板架构是很有特色的协作范式,它不强调强调度,依靠共享知识空间实现松耦合协同。

流水线主打确定性,星型主打灵活调度,层级架构主打大规模管控,而黑板架构的优势,是多专家独立输入、证据互相补充、开放式问题迭代求解。

选型的时候记住:它最大的优势是解耦、扩展性强;代价是缺少天然流程约束,冲突、去重、终止条件都要自己额外实现。更适合研判、信息融合类任务,而不是流程化交付类任务。

相关推荐
AI创界者30 分钟前
Python 进阶实战(五十四章):大模型推理网关终极架构——分布式全局前缀 Trie 缓存同步与多网关高可用协同调度
人工智能·python·aigc
草莓熊Lotso38 分钟前
【C++ 基于微服务的即时通讯系统】ElasticSearch 用户数据管理实现
linux·数据库·c++·elasticsearch·微服务·架构
HelloWorld0011 小时前
Agent 记不住东西?基于分层记忆架构打造 AI Agent 长期记忆与个性化上下文引擎
架构
后端小肥肠1 小时前
公众号里流量很夯的漫画赛道:趣味漫画创作全拆解
人工智能·aigc·agent
程序油菜花1 小时前
微软 ONNX Runtime 仓库突然 404:你的项目,可能并不真正属于你
人工智能
锋行天下1 小时前
LangGraph 对接 MCP 实战指南:从本地开发到线上部署与模型防坑
前端·人工智能·后端
汤姆宝库2 小时前
解码采样策略的实现:temperature、top-p、min-p与重复惩罚
人工智能
鶴哥只手遮天2 小时前
《WeKnora 深度技术解析》第 5 章 数据底座:多租户模型、仓储与迁移
人工智能
lbk_runtime2 小时前
跨阶段分离:技评、编码、自测为什么分会场
agent