📌前置说明：本系列共 8 章，建议按顺序阅读。
📖系列导航：
- 第一章：AI Agent 是什么？一文讲清楚核心概念与架构
- 第二章：AI Agent 的技术原理：LLM + 规划 + 记忆 + 工具
- 第三章：主流 AI Agent 框架对比：LangChain、AutoGPT、AutoGen、LlamaIndex
- 第四章：动手实现你的第一个 AI Agent（附完整代码）
- 第五章：AI Agent 的工具调用与工具设计
- 第七章：AI Agent 记忆系统：从短期到长期记忆的设计与实现
- 第八章：AI Agent 项目实战：构建企业级智能助手
前言
前面几章我们讨论的都是单个 Agent。但真正的复杂任务，往往需要多个 Agent 协作完成——就像一个团队，有人负责研究，有人负责写代码，有人负责审核，有人负责发布。
这一章，我们深入讲解Multi-Agent（多智能体）系统，从最简单的双 Agent 对话，到复杂的多 Agent 协作架构。
一、为什么需要多智能体？
1.1 单 Agent 的局限性
| 问题 | 描述 |
|---|---|
| 能力天花板 | 一个 Agent 的能力受限于单一 LLM 的能力 |
| 角色冲突 | 一个 Agent 难以同时扮演"批评者"和"创作者"的角色 |
| 任务过载 | 复杂任务分解后，单个 Agent 执行链路太长 |
| 缺乏制衡 | 没有自我审查，容易犯系统性错误 |
1.2 多 Agent 的优势
单 Agent： 多 Agent： ┌─────────────┐ ┌───────┐ │ 一个大脑 │ │ 研究员│──→ 收集信息 │ 干所有事情 │ └───┬───┘ │ │ ↓ │ │ ┌───────┐ │ │ │ 作家 │──→ 撰写内容 └─────────────┘ └───┬───┘ ↓ ┌───────┐ │ 审核 │──→ 质量检查 └───┬───┘ ↓ ┌───────┐ │ 发布 │──→ 发布上线 └───────┘多 Agent 的核心价值：
- 专业分工：每个 Agent 专注做一件事，做到极致
- 互相制衡：写作者和审核者相互配合，提升质量
- 并行执行：独立任务可同时进行，效率翻倍
- 可扩展性：新增 Agent 类型，系统功能随之扩展
二、多 Agent 的协作模式
多 Agent 之间有四种基本协作模式：
2.1 模式一：对话模式（Conversational）
两个 Agent 直接对话，一问一答：
Agent A（提问者） ←────→ Agent B（回答者） 典型场景： - 产品经理向技术专家请教 - 用户向客服咨询 - 面试官提问，候选人回答# AutoGen 中的对话模式 result = user_proxy.initiate_chat( assistant, message="请用通俗语言解释什么是 RESTful API" )2.2 模式二：顺序执行模式（Sequential）
多个 Agent 按顺序执行，上一个的输出是下一个的输入：
Agent A
