多智能体协作
多个AI智能体实例通过角色分工、通信协议、协调机制和状态一致性管理，协同完成复杂任务的工程范式
核心事实
时间轴 (近 90 天)
多智能体协作的常见模式包括层级式、流水线式和辩论式。
在LLM时代，多智能体协作通常表现为多个具有不同角色设定的AI实例通过消息传递机制进行交互。
常见多智能体拓扑包括去中心化讨论、层级式委派和辩论式验证。
AutoGen、CrewAI等框架提供了多智能体协作的角色定义与对话编排抽象；其优势是职责隔离、便于并行和局部复用，代价是通信开销、上下文膨胀以及错误在Agent之间传播的风险。
多智能体协作引入协调开销、死循环风险和调试复杂度，企业落地时需权衡任务耦合度与运维成本，并非所有场景都适合。
多智能体系统中常见的协作模式包括流水线（顺序依赖）、并行（独立子任务）和辩论（多智能体讨论以达成共识）。
从Demo到可交付需要补上三块：评价体系（测试集来源、人工与自动评估结合、交叉验证）、安全边界（租户隔离、权限控制、数据访问审计）、架构扩展性（多智能体职责划分、上下文传递、并发降级策略）。
在Windows下多智能体并发写同一个JSON文件应采用原子写入（先写临时文件再重命名替换），并配合带短退避的重试；改完后6000多次并发读取零错误。
多智能体协调只有在确实有需要不同系统提示词、不同工具集或不同信任边界的任务时才值得采用。
两个AI代理协作完成研究写作任务时，出现重复搜索、互相重写，导致27次API调用和3美元账单，产出质量比免费版ChatGPT还差。
还有 31 条时间轴事件
全部知识事实 (20)
多智能体协作通常通过编排者-执行者模式实现，一个主控Agent负责任务分解与调度
90%已验证多智能体系统的理论根基可追溯至20世纪80年代的分布式人工智能研究
90%已验证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%已验证多智能体协作方案试图解决AI编程中的上下文问题，但反而引入了更多的协调复杂度
80%已验证多智能体系统中常见的协作模式包括流水线（顺序依赖）、并行（独立子任务）和辩论（多智能体讨论以达成共识）。
75%已验证多智能体并行落地面临三个核心挑战：上下文隔离、资源竞争、错误传播
75%已验证多智能体系统存在协调失败问题——当子智能体的局部最优叠加不能形成全局最优时，系统整体表现可能劣于单一大模型
70%已验证并行也带来结果合并与冲突消解的新问题——多个智能体的产出如何统一口径，仍是工程难点。
65%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%已验证多代理系统在实践中普遍面临协调开销大、错误累积、成本不可控等挑战，单纯的代理数量并不等同于生产力提升
65%已验证层级式多智能体系统中存在一个Orchestrator（编排者）智能体负责分解任务并向下游子智能体派发工作
65%已验证多代理协作架构的理论基础可追溯至分布式人工智能（DAI）领域，核心思想是将复杂任务分解为多个相互协作的子任务
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Multi-Agent系统引入了新的复杂性：Agent间如何通信、如何避免任务冲突、如何保证最终一致性
60%待验证多智能体协作的常见模式包括层级式、流水线式和辩论式。
50%待验证在LLM时代，多智能体协作通常表现为多个具有不同角色设定的AI实例通过消息传递机制进行交互。
50%待验证常见多智能体拓扑包括去中心化讨论、层级式委派和辩论式验证。
50%待验证AutoGen、CrewAI等框架提供了多智能体协作的角色定义与对话编排抽象；其优势是职责隔离、便于并行和局部复用，代价是通信开销、上下文膨胀以及错误在Agent之间传播的风险。
50%待验证多智能体协作引入协调开销、死循环风险和调试复杂度，企业落地时需权衡任务耦合度与运维成本，并非所有场景都适合。
50%待验证从Demo到可交付需要补上三块：评价体系（测试集来源、人工与自动评估结合、交叉验证）、安全边界（租户隔离、权限控制、数据访问审计）、架构扩展性（多智能体职责划分、上下文传递、并发降级策略）。
50%