
从零构建多智能体系统:三大架构模式与失效场景
来源标题:Building a Multi-Agent System from Scratch: Architecture Patterns
本文介绍构建多智能体系统的三种架构模式:编排器-工作者、黑板和流水线。作者指出,一旦超过单智能体演示阶段,协调问题会成为工程实现的主要难点,并梳理了随之出现的失效模式。
以下正文由 AI 翻译自 Hacker News(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
回到博客AI Agents2026年6月8日 11分钟阅读 从零构建多Agent系统:架构模式 协调多个AI agent的orchestrator-worker、blackboard和pipeline模式——以及只有当你超越单agent演示后才会出现的失败模式。 一个调优良好的单agent很容易做演示。给它一个明确的目标、少量工具和一个宽松的system prompt,它就能在五分钟的演示里给人留下深刻印象。我在之前的一篇文章中写过的正是这类agent——一个将自然语言餐厅查询转换为结构化搜索过滤器的单agent。它之所以效果好,是因为问题只有一种形态:理解查询、调用一些工具、格式化答案。 多agent系统则是另一回事。一旦你有了不止一个agent,你就在推理问题之上引入了一个协调问题,而几乎所有的实际工程工作都花在协调上。在演示中没人会提醒你这一点,因为演示是为了成功一次而构建的,而不是为了在生产环境中运行六个月、面对没人预料到的输入。 这篇文章讲的是我在把工作拆分给多个agent时反复回归的三种架构模式,而且更重要的是,那些只有当你超越单agent演示、进入必须无人值守运行的阶段后才会出现的失败模式。 为什么要拆分成多个agent? 主要原因和你把代码拆分成函数是一样的:一个agent在一个prompt里同时处理检索、领域推理、验证和格式化,往往这四件事都做得不如四个各自专注做一件事的agent好。职责更窄意味着更短、更聚焦的system prompt,也就意味着更可预测的行为和更容易的评估。 模式1:Orchestrator-Worker 这是大多数人最先想到的模式,理由很充分——它清晰地映射了人类管理者分配工作的方式。一个orchestrator agent接收任务,将其分解为子任务,把每个子任务分派给专门的worker agent,并将结果聚合为最终答案。worker之间不互相通信;它们只与orchestrator通信。 任务 → Orchestrator ├─→ Worker A(研究) ├─→ Worker B(代码生成) └─→ Worker C(验证) ↓ Orchestrator聚合 → 最终答案 这种模式适用于任务分解在前期就清晰明确的情况——你事先就知道回答问题需要“查一些东西”、“生成一些东西”和“检查一下”,即使你在运行时之前并不知道具体细节。orchestrator的唯一职责是规划和聚合,这使其prompt保持精简、行为保持可预测。代价是orchestrator成为瓶颈:每一份上下文都必须流经它,而且如果它误判了分解方式,下游的每个worker都会继承这个错误。 模式2:Blackboard blackboard模式放弃了严格的层级结构。不是由一个中央orchestrator来指挥调度,而是agent从共享状态存储——即“blackboard”——读取和写入,每个agent自行决定何时有有用的内容可以贡献。通常会有一个轻量级调度器,根据blackboard上当前的内容决定哪个agent接下来行动,但没有任何单一agent拥有计划。 ┌────────────────────────┐ │ 共享Blackboard │ │ (部分状态、 │ │ 假设、事实) │ └───────────┬────────────┘ 读/写 │ 读/写 ┌─────────────────┼─────────────────┐ ↓ ↓ ↓ Agent A Agent B Agent C (假设) (证据) (批判) 当我事先确实不知道解决路径时,我会采用这种模式——例如调试一个微妙的生产问题,一个agent提出假设,另一个收集支持或反对它的证据,第三个批判推理过程。没有人能事先把它写成固定的步骤序列,因为下一步有用的行动完全取决于已经发现了什么。 这种灵活性的代价是blackboard系统更难推理、更难测试。“计划”没有单一的存放位置,因此调试一个糟糕的结果意味着事后重建整个读写序列——这更接近于调试竞态条件,而不是调试函数调用栈。 模式3:Pipeline pipeline模式是三者中最简单的,也是我在工作流明确且可重复时默认采用的模式。一个固定的专门agent序列,每个agent将其输出交给下一个:检索、提取、验证、格式化。没有委托逻辑,没有共享暂存空间——只是一条链。 输入 → 检索Agent → 提取Agent → 验证Agent → 格式化Agent → 输出 pipeline是三种模式中最容易评估的,因为每个阶段都有明确定义的输入和输出契约,这意味着你可以独立地测试和版本化每个agent。明显的局限是刚性:如果一个任务无法分解为固定序列——如果第三步有时需要回退并重做第一步——pipeline要么直接失败,要么你最终会在其上临时拼凑分支逻辑,直到它悄然变成一个多了几步的orchestrator。 如果你能在开始前把分解写成清单,就用pipeline。如果分解可知但具体细节取决于输入,就用orchestrator-worker。如果你在agent开始发现东西之前无法知道解决路径,就用blackboard——并为评估预留更多时间。 你在演示中看不到的失败模式 以下每一种都是在我从受控演示转向面对真实、杂乱输入运行的系统之后才出现的。
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。