返回资讯中心
外部精选
软件工程
#开发者实时流

从零构建多智能体系统:三种架构模式与协调失败模式

来源标题:Building a Multi-Agent System from Scratch: Architecture Patterns

开发者分享了从零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。多智能体系统在推理问题之上引入了协调问题,真正的工程投入几乎都花在协调上,而演示环境无法暴露生产环境中才会出现的失败模式。

Hacker News 最新kadharmfn2026/11/5 · 12 天前25 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(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。

返回博客AI Agents2026年6月8日 11 分钟阅读 从零构建多智能体系统:架构模式 用于协调多个 AI 智能体的编排器-工作者、黑板和流水线模式——以及那些只有在超越单智能体演示后才会出现的失败模式。 一个调校良好的单智能体很容易做演示。给它一个明确的目标、几个工具和一段慷慨的系统提示,它就能在五分钟的演示中给人留下深刻印象。我在之前的一篇文章中写过正是这种智能体——一个把自然语言餐厅查询转成结构化搜索过滤条件的单智能体。它效果好,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。 多智能体系统则是另一回事。一旦你有了不止一个智能体,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投入都花在协调上。演示里没人会警告你这一点,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里对着没人预料到的输入运行六个月。 这篇文章讲的是我在把工作拆分给多个智能体时反复回到的三种架构模式,以及——更重要的是——那些只有在你超越单智能体演示、进入必须无人值守运行的系统后才会出现的失败模式。 为什么非要把系统拆成多个智能体? 原因基本和你把代码拆成函数一样:一个智能体在一个提示里同时兼顾检索、领域推理、验证和格式化,往往这四件事都做得比四个各司其职的智能体稍差一些。职责越窄,系统提示就越短、越聚焦,行为也就越可预测、越容易评估。 模式 1:编排器-工作者 这是大多数人最先想到的模式,理由很充分——它干净地映射了人类管理者分派工作的方式。一个编排器智能体接收任务,把它拆成子任务,把每个子任务分派给一个专门的工作者智能体,再把结果聚合成最终答案。工作者之间互不交流;它们只和编排器交流。 任务 → 编排器 ├─→ 工作者 A(研究) ├─→ 工作者 B(代码生成) └─→ 工作者 C(验证) ↓ 编排器聚合 → 最终答案 这种模式适用于任务分解在前期就很清晰的情况——你事先就知道回答这个问题需要“查点东西”、“生成点东西”和“检查一下”,即使你不知道运行时的具体细节。编排器唯一的职责就是规划和聚合,这让它的提示保持简短、行为保持可预测。代价是编排器成了瓶颈:每一份上下文都得流经它,而如果它误判了分解方式,下游的每个工作者都会继承这个错误。 模式 2:黑板 黑板模式去掉了严格的层级结构。没有中央编排器指挥交通,而是由智能体读写一个共享的状态存储——即“黑板”——每个智能体自行决定何时有有用的东西可以贡献。通常有一个轻量级调度器,根据黑板上当前的内容决定下一个该由哪个智能体行动,但没有任何单一智能体拥有计划。 ┌────────────────────────┐ │ 共享黑板 │ │ (部分状态、 │ │ 假设、事实) │ └───────────┬────────────┘ 读/写 │ 读/写 ┌─────────────────┼─────────────────┐ ↓ ↓ ↓ 智能体 A 智能体 B 智能体 C (提出假设)(收集证据)(进行批判) 当我面对解决方案路径在前期确实未知的情况时,会用这种模式——比如调试一个微妙的生产问题,一个智能体提出假设,另一个收集支持或反对它的证据,第三个批判推理过程。没人能事先把它写成固定的步骤序列,因为下一步有用的动作完全取决于已经发现了什么。 这种灵活性的代价是,黑板系统要难推理、难测试得多。不存在一个“计划”所在的单一位置,所以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:流水线 流水线模式是三者中最简单的,也是我在工作流清晰且可重复时默认采用的模式。一个由专门智能体组成的固定序列,每个智能体把自己的输出交给下一个:检索、提取、验证、格式化。没有委派逻辑,没有共享暂存空间——只是一条链。 输入 → 检索智能体 → 提取智能体 → 验证智能体 → 格式化智能体 → 输出 流水线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智能体。明显的局限是僵化:如果任务不能分解成固定序列——如果第三步有时需要回环重做第一步——流水线要么直接失败,要么你最终会往上面硬加临时的分支逻辑,直到它悄无声息地变成一个多了几步的编排器。 如果你能在开始前把分解写成清单,就用流水线。如果分解可知但具体细节取决于输入,就用编排器-工作者。如果在智能体开始发现东西之前你无法知道解决路径,就用黑板——并且为评估多留些时间。 你在演示中看不到的失败模式 以下每一种失败模式,都是我只有在从受控演示转向对着真实、杂乱的输入运行之后才遇到的。

(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。

打开原文
去社区讨论 →