多智能体协调模式
多智能体系统中的协调模式决定了多个 AI 代理如何协作完成任务。根据任务的性质和复杂度，可以选择不同的协调架构。
五种核心模式
1. Generator-Verifier（生成器-验证器）
最简单的多智能体模式，适用于对输出质量要求极高且具有明确评估标准的场景。
工作原理：
- 生成器接收任务并产生初始输出
- 验证器检查输出是否符合标准
- 若不通过，反馈给生成器进行修订
- 循环直到通过或达到最大迭代次数
适用场景：代码生成、事实核查、合规验证
局限性：验证器质量取决于评估标准；生成和验证需可分离；可能陷入无限循环
2. Orchestrator-Subagent（编排器-子代理）
层级结构模式，一个主代理规划工作、分配任务并整合结果。
工作原理：
- 主代理接收任务并决定处理方式
- 将子任务分派给专门的子代理
- 子代理返回结果，主代理综合输出
适用场景：代码审查、任务分解清晰的场景
局限性：编排器成为信息瓶颈；顺序执行限制吞吐量
3. Agent Teams（代理团队）
协调者启动多个工作代理作为独立进程， teammates 从共享队列领取任务。
与编排器-子代理的区别：工作代理具有持久性，在多次任务中保持运行并积累上下文。
适用场景：大型代码库迁移、长时间独立运行的子任务
局限性：要求子任务真正独立；完成检测困难；共享资源可能冲突
4. Message Bus（消息总线）
共享通信层，代理通过发布和订阅事件进行交互。
工作原理：
- 代理订阅关心的主题
- 路由器将匹配消息分发给订阅者
- 新代理可无缝加入接收相关工作
适用场景：事件驱动管道、不断增长的代理生态
局限性：追踪困难；路由准确性关键；静默失败风险
5. Shared State（共享状态）
代理通过持久化存储直接读写来协调，无中央协调器。
工作原理：
- 代理自主运行，从共享存储读取和写入
- 工作始于初始化步骤注入问题或数据
- 满足终止条件时结束
适用场景：协作式研究、代理需要实时共享发现
局限性：可能重复工作；反应式循环风险；结果难以预测
模式选择指南
| 情境 | 推荐模式 |
|---|---|
| 质量关键、明确评估标准 | Generator-Verifier |
| 清晰任务分解、有界子任务 | Orchestrator-Subagent |
| 并行工作负载、独立长时间任务 | Agent Teams |
| 事件驱动管道、扩展代理生态 | Message Bus |
| 协作研究、实时共享发现 | Shared State |
| 消除单点故障需求 | Shared State |
演进建议
大多数场景建议从 Orchestrator-Subagent 开始，观察瓶颈后再演进：
- 子代理需要跨调用保持状态 → Agent Teams
- 工作流从事件触发且多变 → Message Bus
- 代理需要实时共享发现 → Shared State
生产系统常组合使用多种模式，如 Orchestrator-Subagent 配合 Shared State 处理协作密集型子任务。
相关概念
- [[ai-agents]] — AI 代理系统概述
- [[deep-agents]] — 深度代理架构
- [[claude-code]] — Claude Code 使用的编排器-子代理模式