单个AI Agent能很好地处理很多任务，但有些问题受益于多个专业化Agent协调工作。多Agent系统越来越易于获取——了解何时值得增加这种复杂性以及如何构建，正成为开发者和技术知识工作者的实用技能。
多Agent架构什么时候有意义
单Agent已足够：大多数任务中，一个装备良好工具的Agent可以从头到尾处理问题。如果你能在一个清晰的系统提示词中写出任务说明，且输出一贯良好，保持单Agent。多Agent有用的情况：任务太长超过单个上下文窗口（例如，在多个专业化领域处理500页法律文件）、从并行化中获益的任务（多个Agent同时研究不同方面），以及需要不同专业能力的任务（一个Agent收集数据，一个分析，一个写作）。
常见多Agent模式
Orchestrator-Worker（协调者-工作者）：一个协调者Agent接收高级任务，分解为子任务，委派给工作者Agent，并综合结果。协调者不做细节工作——它负责协调。适用于：有多个信息来源的研究项目、流水线处理（收集→分析→写作→审阅）。顺序（流水线）：Agent A的输出成为Agent B的输入，再成为Agent C的输入，每个Agent专注于自己的步骤。适用于：文件处理流水线、多阶段内容生成。并行扇出：协调者将相同任务发送给多个Agent并汇总结果。适用于：多来源研究（同时搜索不同数据库）、多视角生成（让三个不同Agent来批评一份文件）。
使用LangGraph（Python）构建
LangGraph（LangChain出品）目前是Python中最成熟的多Agent系统框架。核心概念：定义一个图，节点是Agent或函数，边是它们之间的转换。状态流经图并可被所有节点访问。基本的两Agent系统：节点1（研究Agent）搜索和收集信息；节点2（写作Agent）接受研究输出并产出文档；边：研究→写作；图从开始到结束自动运行。
实际注意事项
成本：每次Agent调用都消耗API token，多Agent系统成倍增加成本——制定相应预算，在大规模运行前充分测试。错误传播：早期Agent的错误在后续Agent中复合，在Agent之间构建验证检查点。调试复杂性：多Agent系统失败时，找出哪个Agent和哪个步骤是失败来源需要仔细的日志记录，从一开始就添加详细日志，而不是事后补救。
