multi-agent

迷路爸爸180

Claude Code 核心设计学习记录目标：学习 Claude Code 这类 coding agent 产品的整体形态与关键原理。方法：每学一个部分都用同一个模拟实例串起来，把该部分的所有设计点尽可能映射到实例中的具体行为（包括但不限于：正常路径、各类边界情况、必要的兜底/纠错/恢复），让每个设计点在实例里“跑出来”，从而理解它到底如何发挥作用、如何工作的。

告别单体 Agent：多智能体设计模式（Multi-Agent Patterns）深度实战手册目前的 Agent 还是在人类定义的轨道上跑，但随着大模型推理能力（如 OpenAI o1 类模型）的进化，Planner Agent 将具备更强的实时博弈能力。这意味着我们不再需要写死每一个步骤，只需给定目标和工具箱，Agent 就能在执行过程中动态调整策略。

ReAct Agent 源码拆解：Eino 如何把 Graph 变成 Agent（第64篇-E50）系列「企业级 AI Agent 实现拆解」E50 篇，Part 10 生产工程篇第八章。上一篇讲了 Graph 编译期。这篇把 E47–E49 的所有积累用起来：Eino 的 flow/agent/react 是怎么用 Graph 搭出 ReAct 循环的，每个设计决定背后的原因是什么。

不能只会打代码

Day 006 — Multi-Agent + MCP/A2A + 安全 + 可观测性📅 2026-07-20　|　🏷️ Python · AI Agent 方向　|　⏱️ 建议 5h　|　🎯 Agent 进阶三大件：协作、协议、安全

AI Agent 的核心算法：多智能体协作（Multi-Agent Systems）导读：当单个 Agent 的能力触及上下文窗口与串行推理的天花板，行业的答案不是继续堆砌更大的模型，而是让多个 Agent 像人类团队一样分工、通信、辩论与协同。本文从第一性原理出发，系统拆解多智能体系统（MAS）的五层核心算法栈——任务分解与分配、通信与协调协议、共识与聚合、编排拓扑、记忆与上下文工程，并结合 Anthropic、Google 等一线团队 2025–2026 年的生产实践与最新研究（MASPRM、EMS、Agent Payments Protocol 等），给出一幅可落地的多智能体技术全

ToolsNode 源码：LLM 返回 tool_calls 之后发生了什么（第53篇-E39）系列「企业级 AI Agent 实现拆解」E39 篇，Part 9 源码深度篇第四章。上一篇拆了 Callback 系统。这篇拆工具执行：LLM 返回一条包含 tool_calls 字段的消息之后，Eino 是怎么把它变成实际的 Go 函数调用，最终返回 ToolMessage 的。

自定义 Workflow：Eino 之上的 Agent 编排系列「企业级 AI Agent 实现拆解」E30 篇，也是 Part 8（DeepFlux 适配实践）的收尾。上一篇讲了五个适配器：DeepFlux 如何把 Eino 接进 DDD 架构。这篇把视角提高一层：看完整的 ReAct 循环是怎么把这些适配器组装起来的，以及 Eino 没有覆盖哪些部分——DeepFlux 自己填补了什么。

爱听歌的周童鞋

Learn-Claude-Code | 笔记 | Multi-Agent Platform | s20_new Comprehensive Agentlearn-claude-code 项目目前有两条教程线，一条是之前的 s12 章节的，另一条是最近更新的 s20 章节的，大家如果刚学习这个项目的话推荐直接看最新的 s20 章节的教程即可，由于博主之前学习过 s12 章节的内容，因此打算把 s20 章节中新增章节的内容给补充学习，内容重复的章节博主这边就跳过了。

【系统学AI】09 Multi-Agent架构（2026版）：从学术理论到工业级实践一个Agent能力有限，一群Agent可以分工协作。但2024年的"Multi-Agent热"很多是炫技——做出了更慢、更贵、更不可靠的系统。2025-2026年业界共识开始形成：Multi-Agent是手段不是目的，能用单Agent解决的不要堆Agent。这篇文章讲透2026年Multi-Agent的工业实践和理论演进。

AutoGen做了什么？Multi-Agent框架在企业场景的边界在哪AutoGen是微软研究院于2023年9月开源的多智能体协作框架，经过两年迭代至v0.4版本，已具备企业级部署能力。

Agent 路由架构的一次尝试：LangGraph + Swarm Handoff + 小模型 Router本文系统性地讲解一种高性价比的 Agent 路由架构：使用 LangGraph 的有向图编排流程，借鉴 OpenAI Swarm 的 Handoff 思想实现 Agent 间的控制权转移，以小模型作为中央路由器（Router Agent），按需分派任务给不同规模的专业 Agent。

Proposer-Critic 多轮辩论：两个 LLM Agent 用 loop() 逼近共识标签：Java loop Proposer-Critic 多轮辩论共识纯LLM 无工具前置阅读：双 Agent 自我纠错代码生成：Write Agent + Test Agent 驱动 loop() 循环适合人群：已掌握 loop() 基础，希望用最轻量的方式构建多 Agent 辩论流程的 Java 开发者

做个文艺程序员

Multi-Agent 系统实战：用 Python + LangGraph 搭建多智能体协作工作流单个 Agent 面临以下问题：判断标准：如果任务可以拆解为 3 个以上专业子任务，且子任务之间有明确的输入输出边界，就适合 Multi-Agent。

Agent 设计模式：从 ReAct、CodeAct 到 Agentic Rag 与多智能体Agent 设计模式是指将大模型与规划、记忆、工具调用、信息检索、执行、反思、协作等功能模块组合起来的系统化框架。相比于单纯调用一个大语言模型（LLM）生成答案的“问答模式”，Agent系统通过构建思考—执行—反馈的闭环，支持更复杂的任务处理。单一 LLM 通常只能回答封闭式问题，其知识来自静态训练数据，难以执行多步骤操作或调用外部资源；而 Agent 通过内置规划（Planner）、短期/长期记忆、工具接口（Tool）、知识检索（Retriever）、行动执行（Executor）、自我评估（Evalua

AI 多智能体系统落地：从上下文边界到 A2A 与 Harness 设计做 AI Agent 的人很容易掉进一个误区：一个 Agent 不够强，那就拆成多个 Agent；一个 Agent 会出错，那就加一个评审 Agent；任务复杂，那就 Planner、Coder、Reviewer、Tester 全都安排上。

ReAct范式实战：让Agent学会边想边做说实话，我第一次看到ReAct这个论文标题的时候，内心是拒绝的。"又是个学术界造的概念吧？"我当时想。

Multi-Agent系统实战：如何让多个Agent握手协作前两天折腾 Multi-Agent，三个 Agent 在那里互踢皮球，一个说"让 B 去处理"，另一个说"这不归我管"，场面一度非常尴尬。

龙侠九重天

什么是多 Agent 系统？——从单体 AI 到群体智能过去几年，AI 助手已经从实验室走向千家万户。从智能客服到代码辅助工具，从文档生成到数据分析，AI 正在重塑软件开发和业务运营的方方面面。ChatGPT、Claude、Cursor 等工具让开发者能够用自然语言描述需求，AI 随即生成代码、撰写文档、解释技术概念。

Multi-Agent 协作案例我的最终目的不是“堆很多智能体”，而是为了把一个复杂问题拆成几个更稳定的职责单元：除了多智能体主体外，还有几个概念：

Java码农也是农

Multi-Agent 系统设计模式这两年聊 Agent，很多人开口就是“多智能体协作”“分布式自治”“系统涌现”。听起来很猛。但说实话，我见过不少团队，单 Agent 还没跑稳，就急着堆 5 个角色、8 条消息通道，最后系统没变聪明，排障成本倒是翻了几倍。Multi-Agent 不是银弹，它更像是系统复杂度的放大器。