多智能体搭建实操案例与总结

时长：约 92 分钟（5511 秒）

本节要点

多智能体系统：从「独行侠」到「梦之队」，模拟现实世界的组织分工。
多智能体协作的核心三要素：角色与目标、工具与消息、共享记忆。
三种协作模式：顺序接力、辩论与反思、层级委派。
两大主流多智能体框架：微软 AutoGen 与 CrewAI（Agent-Task-Crew）。
工具调用的本质与 Function Calling 机制、ReAct 模式。
工具选择策略、参数传递、结果解析、链式/并行调用。
实操：用 Dify 与 CrewAI 分别搭建「旅行助手」多智能体，并测试调试。
常见问题避坑与最佳实践总结。

一、多智能体系统概述

单智能体独立完成任务，结构简单但能力边界清晰；多智能体则由多个专业个体组成团队，通过分工协作突破单一个体的能力极限。

它的本质是模拟现实世界的组织分工。如同互联网公司的项目组：产品经理 Agent 定义需求，设计师 Agent 负责体验，程序员 Agent 实现功能，测试 Agent 把控质量。单智能体像「独行侠」，适合处理标准化、流程化的单一任务；多智能体则是「梦之队」，每个成员拥有专属技能树（推理、执行、分析），通过任务拆解与结果整合，攻克非结构化的复杂难题。

二、多智能体协作的核心：角色与对话

多智能体协作不是能力的简单堆叠，而是构建一个分工明确、沟通顺畅、认知统一的「智能团队」。其核心围绕「角色定义」与「协作对话」展开。

01 角色与目标（分工基石）：

角色（Role）：为每个智能体赋予明确身份，如「代码审查员」「数据分析师」，定义其专长与行为边界；
目标（Goal）：设定具体的子目标，所有智能体的子目标汇聚指向系统最终总目标，确保行动方向一致。

02 工具与消息（协作桥梁）：

工具（Tools）：配备与角色匹配的专属工具，如分析师用 SQL、审查员用代码检测工具；
结构化消息：通过标准化的「发送者—接收者—上下文—内容」格式沟通，确保信息传递准确、无歧义。

03 共享记忆（认知统一）：构建公共存储区域，存放任务初始信息、中间结果与最终输出，让所有智能体对任务进度、背景知识拥有一致认知，避免信息孤岛。

三、三种协作模式

模式一：顺序接力

任务如同接力赛般在智能体间线性流转，每个智能体只专注自身环节，完成后把结果完整传递给下一个，形成 AgentA → AgentB → AgentC 的闭环链路。

典型场景是代码开发全流程自动化：编码 Agent 按需求编写 Python 函数，交给审查 Agent 排查 Bug 并输出优化建议，最后由文档 Agent 基于最终代码自动生成标准化 API 文档与示例。优势是分工明确、流程标准化、结果可追溯、各环节解耦，适合步骤固定、依赖前置结果的线性任务。

模式二：辩论与反思

让多个智能体针对同一问题提出不同观点、相互质疑，同时设置「主持人」Agent 统筹辩论流程，综合各方意见消除片面性。核心价值是通过引入「反对者」Agent 主动发现初始方案的漏洞与偏见，从技术可行性、商业价值、用户体验等多维视角切入，规避单一视角的认知盲区。典型场景如事实核查（一方提出观点，另一方搜寻证据证实/证伪）和投资决策（趋势分析建议买入、风险研判提示卖出，决策 Agent 权衡后做理性选择）。

模式三：层级委派

由「经理 Agent」承担统筹角色，负责理解并拆解高层复杂任务、监控整体进度；「员工 Agent」承接细分后的专业子任务，形成「决策—执行」的分层协作体系。例如做「年度市场分析报告」，经理 Agent 把总任务拆解为销售数据收集、竞品分析、趋势整理、PPT 设计等子模块，分别委派给数据分析师、研究员、设计师等专项 Agent；员工完成后反馈成果，经理校验进度、整合输出完整交付物。

四、共享记忆与上下文管理

短期记忆：单次任务执行中临时保存的信息，存储于工作流状态内，生命周期仅限当前任务运行，涵盖用户输入、中间计算结果与工具调用记录，任务结束即消失；
长期记忆：可跨多次任务持久化保存，依托外部数据库或向量数据库存储，包含用户偏好、历史对话、知识库信息，智能体可通过检索机制复用；
共享记忆：多智能体系统中的公共记忆空间，所有智能体均可访问与修改，核心作用是实现信息同步、成果共享、避免重复劳动。

五、主流多智能体框架

微软 AutoGen

核心是通过「可对话的智能体」协作解决复杂任务。三大核心概念：ConversableAgent 是具备对话、执行代码和调用工具能力的基础单元；GroupChat 管理多智能体的参与范围与发言规则；GroupChatManager 作为调度者按预设逻辑驱动对话流程推进。框架还支持把人类用户作为特殊 Agent 加入对话，在关键决策、信息校验或反馈环节进行人工干预。

CrewAI

CrewAI 以「角色」为核心设计理念，开发者需为每个 Agent 定义专属的 Role（角色定位）、Goal（核心目标）和 Backstory（背景故事），让大模型精准代入专家身份。

其核心是 Agent—Task—Crew 协作闭环：Agent 是具备特定能力的专家个体，Task 是明确描述与预期输出的工作单元，Crew 是统筹管理的团队容器。内置 Sequential Execution（顺序执行）与 Hierarchical Execution（层级委派）两种模式，结构直观，便于快速组织智能体团队。

六、工具调用的本质与 Function Calling

6.1 让 LLM 发出指令

LLM 并不直接执行代码或调用 API，它的核心能力是理解与推理：分析当前输入和状态，决策「调用哪个工具」及「所需参数」，并以 JSON 等结构化格式输出意图；编排引擎（应用代码）负责解析意图、匹配工具实现并完成真实执行。经典类比：LLM 是「大脑」，只负责做出「喝水」的决策；编排引擎与工具是「神经系统 + 双手」，负责走到饮水机、接水、喝水的具体动作。

6.2 Function Calling 机制

主流模型（OpenAI 的 GPT 系列、Anthropic Claude 3、Google Gemini）均原生支持函数调用。调用 API 时除 messages 外，传入 tools 数组（工具 JSON Schema 描述）定义可用工具，并用 tool_choice 控制模型行为（auto 自主决策 / none 禁用 / 指定工具名）。若模型判定需调用工具，返回的 message 包含 tool_calls 数组，每个元素对应一次调用，含唯一 id、function.name 和 function.arguments。

tool_calls 是数组结构，意味着 LLM 可在单次响应中发起多个工具调用，实现并行执行。开发者的闭环是：解析调用指令 → 用 function.name 在注册表匹配函数 → json.loads 解析 arguments → 执行工具 → 把结果封装为带原调用 id 的 tool 消息回传给 LLM，让模型基于真实数据继续生成。

6.3 ReAct 模式

ReAct（Reasoning and Acting）是让大模型交替「思考」与「行动」解决问题的核心模式：先分析状态生成思考（Thought），再执行工具调用（Action），最后获取执行结果作为新输入继续循环（Observation），直至达成目标。它不依赖模型原生 Function Calling 能力，可通过精心设计的提示词引导模型输出结构化「思考—动作—参数」格式，再用正则表达式解析执行，从而在各类型 LLM 上兼容适配。

七、工具选择、参数与调用编排

工具选择策略：一是「LLM 自主选择」，把所有工具 Schema 传给 LLM 自主决策，灵活但 Token 消耗大、易选错；二是「手动路由」，先由轻量 LLM/分类器做意图分类，只把强相关工具的 Schema 传给主 LLM，省 Token、更精准，但灵活性与边缘场景受限。
参数传递：参数来源有用户输入提取、上游节点输出、预设常量（如 API Key）、LLM 动态生成四类；模板变量用 {{state.key}} 从全局状态取值；LLM 输出的字符串参数在调工具前需转换为整数、浮点、布尔等期望类型。
参数绑定与解析：显式绑定是拖拽连线式的确定性传递，适合参数结构固定的标准化流程；隐式解析是 LLM 从非结构化文本中智能提取，灵活但有成本与不确定性。
链式与并行调用：链式调用串行执行、前一个工具输出作为后一个输入（如 search_flight → get_flight_status → send_sms）；并行调用同时发起多个独立请求（如同时查天气、酒店、景点）。复杂流程常是「链式取前置信息 → 并行采集 → 链式整合」的组合。

八、实操：搭建「旅行助手」智能体

8.1 项目需求与工具集设计

用户只需输入出发地、目的地和出行日期，智能体自动完成多维信息聚合：检索往返航班时刻与价格、获取目的地行程期间的天气、筛选核心商圈或景区周边的热门酒店，最后整合为逻辑清晰的旅行计划。

关键工具集（模块化接口）：search_flights(departure, arrival, date) 查航班、get_weather(city, date) 查天气、search_hotels(city, checkin_date, checkout_date) 查酒店，核心 LLM 节点通过 generate_itinerary(flights, weather, hotels) 把多源数据转化为个性化行程。

8.2 Dify 工作流编排

编排逻辑分四步：

起点接收与意图提取：Start Node 接收请求，LLM 节点执行意图识别，提取出发地、目的地、出行日期并存入状态；
并行网关与工具调用：把流程拆成机票搜索、天气查询、酒店预订三个并行分支，同步执行；
结果汇聚与行程生成：汇聚网关等待所有分支返回后，再次调用 LLM 整合数据，生成结构化旅行计划；
测试与调试：输入测试用例（如「规划下周三从北京到上海的旅行」），检查节点日志（确认 departure=北京、date=2026-06-10 等），验收最终产物，针对意图识别失败/工具异常/文案不佳分别修复提示词或参数绑定。

8.3 CrewAI 多智能体版

用 CrewAI 把旅行助手模拟成一个小团队：目的地研究员查景点、美食、天气、避坑提示；行程规划师按天数做每日行程安排；预算核算师核算交通、住宿、餐饮总预算并给省钱建议。

from crewai import Agent, Task, Crew, Process

researcher = Agent(role="目的地信息研究员", goal="搜集目标城市核心景点、美食、注意事项", backstory="资深旅游调研人员", verbose=True)
planner = Agent(role="行程规划师", goal="结合素材设计合理每日行程", backstory="多年旅游方案设计经验", verbose=True)
budget_analyst = Agent(role="预算核算师", goal="估算总花费并给省钱建议", backstory="熟悉各地消费水平", verbose=True)

travel_crew = Crew(
    agents=[researcher, planner, budget_analyst],
    tasks=[task_research, task_plan, task_budget],
    process=Process.sequential,
)
result = travel_crew.kickoff()

示例输入「西安 3 天 2 人、预算 3999–5998 元」，团队按顺序执行：研究员输出景点/美食/避坑素材 → 规划师做每日上午/下午/晚上行程 → 核算师输出预算明细表格（住宿、门票、交通、餐饮）与省钱建议，最终 kickoff() 返回完整 Markdown 旅行方案。

九、常见问题与避坑指南

工具描述模糊：LLM 频繁调错工具或不调工具——重写描述，明确适用与不适用场景；
参数不匹配：生成参数的数量或类型与工具定义冲突——精准 Schema 描述 + 实现层严格参数校验；
无限循环陷阱：「思考—行动」反复无进展——设置最大迭代次数阈值 + 明确的目标达成退出条件；
敏感信息泄露：工具描述或提示词里硬编码 API Key、内部 URL——用环境变量、配置文件集中管理；
工具调用超时：API 请求耗时过长阻塞流程——设置合理超时 + 超时异常捕获与降级处理。

十、最佳实践总结

规范命名与描述：采用「动词 + 名词」命名（如 get_weather、search_flights），这是提升 LLM 理解与调用准确率的核心前提；
工具独立可测试：每个工具是独立功能单元，编写完善单元测试覆盖各种输入场景；
完善日志与监控：记录调用输入参数与返回结果，监控调用频率、成功率与响应时间；
坚持逐步迭代：从核心基础功能切入，小步快跑扩展工具集，每次迭代后充分回归测试；
严格防御性编程：不盲目信任 LLM 输出，对所有传入参数严格校验，全面捕获处理异常。

小结

本课是全课程的收官：先讲清多智能体「为什么」——用角色分工突破单智能体能力边界；再讲「怎么做」——角色与目标、工具与消息、共享记忆三要素，以及顺序接力、辩论反思、层级委派三种协作模式；然后落到「用什么」——AutoGen 与 CrewAI 两大框架，以及工具调用的底层机制 Function Calling 与 ReAct；最后通过 Dify 和 CrewAI 两套「旅行助手」实操，把工具选择、参数传递、并行编排、测试调试串成完整闭环，并以避坑清单和最佳实践收尾。

自测题

单智能体与多智能体最本质的区别是什么？多智能体协作的核心三要素分别解决什么问题？
顺序接力、辩论与反思、层级委派三种协作模式各适合什么场景？请各举一例。
在 Function Calling 中，tools、tool_choice、tool_calls 分别起什么作用？为什么说 tool_calls 是数组意味着可以并行调用？
工具选择有两种策略：LLM 自主选择与手动路由，它们的优缺点各是什么？
搭建「旅行助手」时，Dify 工作流编排的四步是什么？CrewAI 版本用哪三个 Agent 分工？

答案提示：1. 单智能体独立完成任务、能力边界清晰，多智能体通过分工协作突破极限；角色与目标定分工、工具与消息做沟通、共享记忆统一认知。2. 顺序接力=线性依赖流程（编码→审查→文档）；辩论反思=需要多视角消除偏见（事实核查/投资决策）；层级委派=复杂任务拆解（年度市场分析报告）。3. tools 定义可用工具、tool_choice 控制调用行为、tool_calls 承载返回的调用指令；数组可一次含多次调用。4. 自主选择灵活但费 Token、易选错；手动路由省 Token、精准但灵活性受限、需维护意图规则。5. 起点接收意图提取→并行网关工具调用→汇聚生成行程→测试调试；目的地研究员、行程规划师、预算核算师。