Multi-Agent
由多个 AI Agent 协同工作的系统架构，通过分工与通信完成单个 Agent 难以处理的复杂任务
核心事实
时间轴 (近 90 天)
Multi-Agent 有两种常见组织方式：编排式（orchestrator-workers）和流水线式。
课程对比了 B2B网络、Multi-Agent 与 Skills Agent 三种架构的差异。
多个Agent协作意味着更多上下文传递、更高token消耗和更长处理时间，职责分离的收益是否覆盖协调开销需在具体场景权衡
在财务等对准确性要求极高的领域，协调者的指令日志（Trace）应当可审计以便人工快速定位问题节点
多智能体架构的潜在风险在于协调者作为 LLM 若理解偏差会导致错误向下传导，且排查难度高于单一模型出错
多智能体链路中每一跳的输入输出都可以独立观测，故障排查粒度比单一大模型内部推理过程更清晰
Skills架构中技能切换发生在提示词层面，无需启动新的推理进程，比Multi-Agent更轻量
实际项目中存在混合方案，用少量专职Agent承担需要并行决策的核心模块，其余功能以Skills形式挂载
多智能体架构的代价是总 token 消耗成倍增加，因为同一段文本需被多个智能体分别读入处理
强模型编排加弱模型执行的架构通常被称为LLM-as-Orchestrator或Multi-Agent架构，将复杂任务分解为规划和执行两层
还有 9 条时间轴事件
全部知识事实 (20)
多智能体协作通过让多个专业化Agent分工配合来完成更复杂的任务
80%已验证多智能体（Multi-Agent）架构的典型框架包括微软的AutoGen、CrewAI、LangGraph等
80%已验证多个Agent协作意味着更多上下文传递、更高token消耗和更长处理时间，职责分离的收益是否覆盖协调开销需在具体场景权衡
65%已验证多 Agent 架构更适合子任务拆解清晰、相对独立的工程场景，而非所有任务的默认架构
65%已验证Agent Skills 采用单智能体内部纵向能力伸缩的方式，相比 Multi-Agent 更轻量且易于调试
65%已验证多智能体架构的常见故障模式包括智能体之间的无限循环调用、错误信息在传递链中被放大（幻觉级联效应）、以及部分智能体响应超时时的死锁问题
65%已验证多智能体系统常见架构模式包括主管-工人模式（Supervisor-Worker）、流水线模式和辩论模式
65%待验证绝大多数生产场景从单Agent模式起步就够了，不应过早引入Multi-Agent的复杂度
70%待验证Multi-Agent 有两种常见组织方式：编排式（orchestrator-workers）和流水线式。
50%待验证课程对比了 B2B网络、Multi-Agent 与 Skills Agent 三种架构的差异。
50%待验证在财务等对准确性要求极高的领域，协调者的指令日志（Trace）应当可审计以便人工快速定位问题节点
50%待验证多智能体架构的潜在风险在于协调者作为 LLM 若理解偏差会导致错误向下传导，且排查难度高于单一模型出错
50%待验证多智能体链路中每一跳的输入输出都可以独立观测，故障排查粒度比单一大模型内部推理过程更清晰
50%待验证实际项目中存在混合方案，用少量专职Agent承担需要并行决策的核心模块，其余功能以Skills形式挂载
50%待验证Skills架构中技能切换发生在提示词层面，无需启动新的推理进程，比Multi-Agent更轻量
50%待验证多智能体架构的代价是总 token 消耗成倍增加，因为同一段文本需被多个智能体分别读入处理
50%待验证强模型编排加弱模型执行的架构通常被称为LLM-as-Orchestrator或Multi-Agent架构，将复杂任务分解为规划和执行两层
50%待验证多Agent架构的单次会话成本会随并发代理数量线性甚至超线性增长
50%待验证近期大模型相关岗位面试要求明显提高，Multi-Agent已成为高频考点
50%待验证在多智能体系统中，大语言模型之间的协作长期依赖将一个模型的输出转成自然语言文本再作为提示词喂给下一个模型
50%