多智能体（Multi-Agent）框架与协同办公落地调研：从 AutoGen、MetaGPT 到 MCP/A2A 协议层

一次把「多智能体框架」和「协同办公落地」串起来的调研笔记。前半部分看框架与协作机制（谁管谁、怎么通信、钱花在哪），后半部分看产品与协议（微软、Google、Slack、Notion、飞书 / 钉钉做成什么样），末尾给一张选型表和一份风险清单。：主## 一、先说五条结论

1.1 五条结论

1. 真正跑得动的只有两种形态控 + 子智能体（supervisor / handoff），以及图-状态机工作流。「多角色自由群聊」是控制力最弱、最容易失控的一种。
2. 收益来自上下文隔离 + 并行消耗 token，不是「角色扮演更像人」。Anthropic 公开的工程博客显示：Opus 4 主控 + Sonnet 4 子智能体的研究系统，比单智能体 Opus 4 高 90.2%，而仅 token 用量一项就解释了 80% 的性能方差，token 用量 + 工具调用次数 + 模型选择三项合计解释 95%。
3. 失败率并不低。MAST 分类学对 7 个主流框架、200+ 任务、1600+ 条执行轨迹做全量人工标注，归纳出 14 种失败模式、3 大类，失败率区间 41%–86.7%，标注者一致性 κ≈0.88。
4. 协同办公是当前最实的落地场景，且产品形态已经趋同：套件内嵌 Agent、消息流当 Agent 操作系统、文档与知识库原生 Agent、国内平台走组织内闭环。
5. 协议分层已经清楚：MCP 负责接工具与数据，A2A 负责 Agent 之间的发现与委派；框架层会收敛，协议层会长期并存。

二、什么才算「多智能体」

判断标准只有两条：有没有多个独立上下文在做决策；决策权有没有被下放。如果全程只有一个上下文，工具再多也还是单 Agent。

三、框架全景

3.1 AutoGen：把「对话」当编程原语

AutoGen 的主张是把 Agent 之间的交互本身抽象成一等公民：谁能和谁说话、说什么、什么时候停，都可编程，并支持「对话 + 代码执行」混合。2024 年底的 v0.4 重写为事件驱动的 actor 模型（core / agentchat / extensions 分层），解决了旧版并发与分布式的问题；2025 年与 Semantic Kernel 一起并入 Microsoft Agent Framework。

• 优点：贴近自然协作，加角色成本低，人机混合（Human-in-the-loop）做得好。
• 缺点：终止条件难保证，容易陷入无限往返——这正是 MAST 第一大类失败的高频场景。
• 适合：探索性任务、需要反复澄清的环节。

3.2 MetaGPT：把人类 SOP 编码进模型

MetaGPT 的思路是把标准作业程序（SOP）编码成提示序列，分派给产品经理、架构师、项目经理、工程师、QA 等角色，并用结构化中间产物（需求文档、接口设计、流程图）作为角色之间的交接物，从而减少「你说你的、我说我的」的自由对话损耗。它也是「虚拟软件公司」这类协同办公原型的代表。

• 优点：流程确定性强，产物可校验，适合有明确交付物的任务。
• 缺点：SOP 靠人工写，流程一变就要重写；不适合开放式探索。
• 适合：需求文档、API 设计、代码生成这类有成熟流程的交付。

3.3 CrewAI：角色 / 任务 / 团队三件套

CrewAI 把「角色（role + goal + backstory）」「任务（description + expected_output）」和「团队（process = sequential / hierarchical）」拆成显式对象，上手成本极低；同时提供 Flow 用于确定性编排（不用 LLM 决策控制流），这是它在生产中比纯角色扮演更实用的地方。

3.4 LangGraph：状态机 + 持久化，工程性最强

LangGraph 用图描述控制流：节点是函数或 Agent，边是条件跳转，checkpointer 负责持久化与断点续跑，配合 interrupt 实现人工审批。多智能体交付物有 supervisor、swarm、hierarchical team 等包。

它最大的价值不是「多智能体」，而是让多智能体变得可观测、可回放、可中断——这恰好是失败率高的场景最需要的。

3.5 厂商 SDK：护栏、追踪、会话成为标配

OpenAI Agents SDK（Swarm 的生产化版本）把 handoff、guardrail、tracing、session 做成原语；Google ADK 直接对接 A2A 做跨组织互通；Claude Agent SDK 用 subagent + hook + skill 把「主控下发子任务」固化下来。趋势很明确：多智能体不再是框架的特性，而是模型厂商 SDK 的基础设施。

四、协作机制的设计空间

《Multi-Agent Collaboration Mechanisms: A Survey of LLMs》把 LLM 多智能体协作拆成五个可独立设计的维度，做方案时可以直接当检查清单：

五、三种范式与最小代码

5.1 对话式（AutoGen AgentChat）

fromautogen_agentchat.agentsimportAssistantAgentfromautogen_agentchat.teamsimportRoundRobinGroupChatfromautogen_ext.models.openaiimportOpenAIChatCompletionClient model=OpenAIChatCompletionClient(model="gpt-4o-mini")planner=AssistantAgent(name="planner",model_client=model,system_message="你负责拆解任务，产出可执行的步骤清单。")reviewer=AssistantAgent(name="reviewer",model_client=model,system_message="你负责找出清单里的漏洞，逐条指出并给修正建议。")team=RoundRobinGroupChat([planner,reviewer],max_turns=6)result=team.run_sync(task="为一份周报设计自动化流程")print(result.messages[-1].content)

关键点：max_turns 就是止损线，没有它就等着账单跑飞。

5.2 流水线式（CrewAI）

fromcrewaiimportAgent,Task,Crew,Process researcher=Agent(role="研究员",goal="调研多智能体框架现状",backstory="擅长读论文并提炼要点",tools=[search_tool])writer=Agent(role="撰稿人",goal="写成结构化报告",backstory="擅长把技术材料写成可读文章")t1=Task(description="列出 6 个主流框架与各自定位",agent=researcher,expected_output="含框架名、定位、优缺点的清单")t2=Task(description="基于调研写成 1500 字报告",agent=writer,expected_output="Markdown 报告",context=[t1])crew=Crew(agents=[researcher,writer],tasks=[t1,t2],process=Process.sequential)print(crew.kickoff())

关键点：expected_output 是验收标准，写清楚它比换更强的模型更有效。

5.3 图-状态机 + 主控（LangGraph）

fromlanggraph.prebuiltimportcreate_react_agentfromlanggraph_supervisorimportcreate_supervisor search_agent=create_react_agent(model,tools=[web_search],name="searcher")write_agent=create_react_agent(model,tools=[write_file],name="writer")workflow=create_supervisor([search_agent,write_agent],model=model,prompt="你是主编：先让 searcher 收集资料，再让 writer 成文；资料不足时继续派发检索。",)app=workflow.compile(checkpointer=memory)# 有 checkpointer 才能回放与中断result=app.invoke({"messages":[{"role":"user","content":"调研多智能体框架"}]},config={"configurable":{"thread_id":"t-1"}})

关键点：主控只负责分派与验收，不亲自干活——这样上下文才真正隔离，token 才不会重复膨胀。

六、评估与失败模式

6.1 三条评估线

• 端到端任务基准：GAIA（通用助理）、SWE-bench Verified（改代码）、BrowseComp（深检索）、WebArena（网页操作）、AgentBench、τ-bench（工具 + 用户交互，按规则验收）。
• 过程指标：每任务 token、工具调用次数、轮次、端到端延迟、人工接管率。
• 成本：多智能体通常比单轮对话多一个数量级 token（Anthropic 提到研究系统约 15 倍），所以"能不能换成更便宜的模型跑子任务"是必答题。

6.2 MAST 归纳的三类失败

对应的五个工程动作：验收标准写死（expected_output / schema）、预算与 max_turns 硬止损、独立校验器（用另一个不带执行上下文的模型去核对）、结构化交接物（JSON 而非自然语言长文）、全链路 trace 与回放。

6.3 什么时候不该上多智能体

• 强耦合任务：多人改同一份代码、同一段文案，共享上下文更重要。
• 时延敏感：并行省下的时间常常被编排开销吃掉。
• 信息量一个窗口装得下、工具也就三五个。
• 有硬成本上限。
• 没有评估集：改完不知道变好还是变坏。

七、协议层：MCP、A2A 与它们的邻居

分层结论：MCP 解决"我的 Agent 能不能用你的系统"，A2A 解决"我的 Agent 能不能把活交给你的 Agent"。协同办公两条都缺不了——MCP 去连 OA、文档、日历、工单；A2A 让跨部门、跨厂商的 Agent 互相派活。框架层会收敛（多数团队最终只剩一两套），协议层会长期并存。

八、协同办公的四条产品路径

• 微软：M365 Copilot 覆盖 Word / Excel / PPT / Outlook / Teams；Copilot Studio 负责编排与"Connected Agents"（一个 Agent 调用另一个 Agent）；Teams 里做会议纪要，Outlook 里做收件箱分诊。
• Google：Gemini 进 Gmail / Docs / Sheets / Meet；Agentspace 做企业内部 Agent 平台；A2A 让不同厂商的 Agent 互通。
• Slack：Slack AI 做频道摘要与会话搜索答案；Salesforce Agentforce 把 Agent 放进频道当"成员"——这是"消息流就是 Agent 操作系统"最典型的形态。
• Notion：Notion AI 之上加 Agents，可以跨数据库执行多步任务（整理、写、更新状态）。
• 国内平台：飞书智能伙伴与多维表格 AI、钉钉 AI 助理与 AI 助理市场、企业微信接混元、WPS 灵犀——共同特点是组织内闭环 + 通讯录权限，落地速度快，但要留意数据边界。
• 学术原型：ChatDev 与 MetaGPT 的"虚拟软件公司"是协同办公的直接原型；Generative Agents 演示了 25 个 Agent 的小镇协作；Microsoft 的 Magentic-One 用"编排器 + 多专家"完成跨浏览器与文件的任务。
• 开源自建：AppFlowy、Mattermost Agents、Nextcloud Assistant，适合有私有化要求的团队。

九、一个协同办公的分工样例：周会 → 周报 → 任务派发

两个关键点：交接物一律结构化（JSON 或表格），不要让 Agent 互相读自然语言长文；写操作（发消息、建任务、改文档）必须留人工确认环节，这也是所有协同办公产品的实际做法。

十、选型决策表

十一、风险与合规清单

1. 成本放大：token 涨 5–15 倍是常态，务必设预算、max_turns 与早停。
2. 延迟：并行换速度，串行换质量，别指望两头都要。
3. 幻觉互相强化：Agent 之间互相肯定会把错误坐实，必须有独立校验 + 来源引用。
4. 权限继承：Agent 用谁的权限？一律最小权限，每次工具调用留审计日志。
5. 提示注入：网页、文档、邮件里的文字都是数据，绝不能当指令执行。
6. 数据边界：跨部门、跨租户的 Agent 委派要考虑数据分级。
7. 可观测性：trace、回放、失败分类是必需品，不是加分项。
8. 供应商锁定：协议层用 MCP / A2A 抽象，别把业务逻辑写进某家 SDK 的私有概念里。

十二、参考与延伸阅读

• MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework — https://arxiv.org/abs/2308.00352
• AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation — https://arxiv.org/abs/2308.08155
• CAMEL: Communicative Agents for “Mind” Exploration of LLM Society — https://arxiv.org/abs/2303.17760
• ChatDev: Communicative Agents for Software Development — https://arxiv.org/abs/2307.07924
• Multi-Agent Collaboration Mechanisms: A Survey of LLMs — https://arxiv.org/abs/2501.06322
• Why Do Multi-Agent LLM Systems Fail?（MAST 分类学）— https://arxiv.org/abs/2503.13657
• Magentic-One: A Generalist Multi-Agent System — https://arxiv.org/abs/2411.04468
• Improving Factuality and Reasoning through Multiagent Debate — https://arxiv.org/abs/2305.14325
• Generative Agents: Interactive Simulacra of Human Behavior — https://arxiv.org/abs/2304.03442
• Model Context Protocol 文档 — https://modelcontextprotocol.io/docs/getting-started/intro
• A2A 协议规范 — https://a2a-protocol.org/latest/
• LangGraph 多智能体文档 — https://reference.langchain.com/python/langgraph-supervisor
• Anthropic 多智能体研究系统工程博客 — https://www.anthropic.com/engineering/multi-agent-research-system
• Microsoft Copilot Studio 多智能体编排 — https://www.microsoft.com/en-us/copilot/blog/copilot-studio/new-and-improved-multi-agent-orchestration-connected-experiences-and-faster-prompt-iteration/
• Slack AI — https://slack.com/intl/zh-cn/features/ai
• Notion Agents — https://www.notion.com/product/agents

一句话总结：多智能体的功夫在框架之外——在验收标准、结构化交接、止损预算和独立校验上。框架选哪个都能跑，这四件事缺一件，系统就会在 41%–86.7% 的失败区间里打转。