Multi-Agent

多智能体协作

多个 Agent 分工合作（如 PM Agent + Coder Agent + Reviewer Agent）。

详解

Multi-Agent 系统是把复杂任务拆分给多个专职 Agent 分工完成的架构。单个 Agent 的问题在于：上下文窗口有限，塞的工具和指令越多，注意力越分散，效果越差。把任务拆给多个专职 Agent，每个 Agent 只关注一件事、只拿必要的工具，整体质量反而更高。常见分工模式有三种：串行管道（A 完成交给 B，B 完成交给 C）、并行（多个 Agent 同时处理不同子任务，最后汇总）、主从（Orchestrator 分配，Worker 执行）。典型例子：写一篇技术文章——搜索 Agent 收集资料、写作 Agent 起草正文、审校 Agent 挑错、事实核查 Agent 验证数据。每个 Agent 的 system prompt 和工具集都完全不同，互不干扰。Multi-Agent 的代价是架构复杂度和调试难度上升——必须明确定义 Agent 之间的接口和上下文传递格式。

一个类比

像一个项目组：产品经理（PM Agent）定需求、程序员（Coder Agent）写代码、测试工程师（Reviewer Agent）找 bug。不会让一个人又当 PM 又写代码又测试——各司其职效率更高，而且换掉某一个人不影响其他人工作。

举个例子

技术文章生成 Multi-Agent 流程（三个专职 Agent 串行协作）：

Agent 1 — 研究员（系统提示：你是专业研究员，擅长搜集资料）
  工具：[search, fetch_url]
  输入："量子计算应用场景"
  输出：5 条关键资料摘要

Agent 2 — 写作者（系统提示：你是技术文章作者，擅长清晰表达）
  工具：[]（无需联网，专注写作）
  输入：Agent 1 的 5 条资料摘要
  输出：800 字技术文章草稿

Agent 3 — 审校（系统提示：你是严格的编辑，专门挑逻辑和表达问题）
  工具：[]（专注审查）
  输入：Agent 2 的草稿
  输出：修订意见 + 最终版本

关键设计原则：
  每个 Agent 只有完成自己任务所需的工具
  Agent 之间传递结构化数据（而非整段对话历史）
  失败时可以只重跑某一个 Agent，不影响其他阶段

PYTHON 示例