多智能体系统详解：AI 智能体如何协作

自大语言模型（LLM）出现以来，各行业一直在探索优化业务流程的方法。其中，多智能体系统正日益受到关注。

多智能体系统让组织能够通过一组协作式自主 AI 智能体自动化复杂工作流程，解决过去阻碍企业充分发挥 LLM 优势的问题。

一项调查显示，多智能体系统占据了 智能体 AI 市场份额的 66.4%，随着这一架构日益普及，凸显了其对业务增长、创新和生产力的推动作用。

本指南介绍多智能体系统的基础知识及其重要性，并进一步探讨常见架构、AI 智能体类型、挑战、优势和应用场景，包括语音 AI 领域。

摘要

• 多智能体系统利用多个 AI 智能体完成单个智能体无法胜任的复杂任务。
• 多智能体系统可部署 7 类 AI 智能体，包括简单反射型、基于模型型和目标导向型智能体。
• 智能体可采用集中式或去中心化架构运行。
• 多智能体系统的主要优势在于架构提供的可扩展性、并行处理和专业化能力。
• 组织可将多智能体系统用于软件开发、仓库管理和内容分发等多种场景。
  

什么是多智能体系统？

多智能体系统是由多个 AI 智能体组成的集合，它们共同实现目标，解决单个智能体无法解决的复杂问题。

AI 智能体是由大语言模型（LLM）驱动的自主应用，可推理、执行操作并连接外部工具。单个 AI 智能体适合定义明确的任务，但难以应对不可预测、规模庞大或跨多个领域的复杂任务。

多智能体系统如何运作

在典型的多智能体系统架构中，集中式协调器会将复杂任务拆分为多个小任务，再分配给共享环境中的专业智能体。

通信是实现高性能、可靠多智能体系统的关键。

• 智能体通过专有消息服务或 A2A 协议相互交换数据。
• 智能体通过第三方 API 和 模型上下文协议（MCP）与外部工具交互。

为完成任务，专业智能体会共享信息、交换消息，并通过与用户和环境的交互持续优化自身。

多智能体系统为何重要？

多智能体系统提供灵活的分布式平台，可扩展单智能体 LLM 的 上下文窗口。单个智能体可在特定领域内进行合理推理，但若强迫其在有限时间和信息内完成大量任务，准确性就会下降。

借助多智能体系统，可通过并行处理、专业智能体控制和更强适应性，将 AI 扩展到不同应用场景。

以内容营销工作流程为例。单个 AI 智能体难以同时完成选题研究、受众分析、内容创作、发布和报告，需要在多个环节介入。

而多智能体系统会部署专用 AI 智能体，每个都擅长各自的知识领域，并连接自动化工作流程所需的工具。

多智能体系统中的 AI 智能体类型

AI 智能体共有 7 种类型，各具特点。

1. 简单反射型智能体

简单反射型智能体根据预设条件规则响应感知输入。收到输入后，智能体会生成输出，可能是动作、文本、音频或其他格式。它不会保留结果或环境的记忆，因此每次推理都从零开始。

2. 基于模型的反射型智能体

基于模型的反射型智能体能部分感知其部署环境。通过持续交互，智能体学习自身操作如何影响环境，并利用这些信息增强用于推理的条件规则。

不过，智能体不会保留过去推理的记忆，因此在某种程度上，其运行方式与简单反射型智能体相似。

3. 目标导向型智能体

目标导向型智能体会考虑能够实现预定目标的可能行动。它不依赖条件规则行动，而是使用搜索和规划算法预测已规划路径的未来结果，再选择最可能成功的路径。

4. 效用型智能体

效用型智能体旨在实现效用最大化的结果。在 AI 智能体的语境中，效用是你从系统中获得的价值。部署后，智能体会预测可选路径并为每条路径赋予权重，再权衡潜在风险与回报，选择收益最大的方案。

5. 学习型智能体

学习型智能体通过过往经验和与环境的交互持续提升性能。它在反馈循环中根据特定标准评估表现，并优化行为以产出理想结果。

6. 分层智能体

分层智能体是通过高低层级智能体之间不同指挥链运行的 AI 智能体。高层智能体通常将大型任务拆解为小任务，交给低层智能体。

低层智能体负责战术执行，例如接收传感器数据和控制执行器响应。在复杂设置中，机器学习工程师会将智能体部署在多个层级，以更好地同步和分配任务。

7. 协作型智能体

协作型智能体之间采用点对点关系。它们不依赖中央编排器，而是各自共享信息、移交控制权，并围绕共同目标协作。

常见多智能体系统架构

多智能体系统能提升运营效率，但能否成功部署取决于是否为应用场景选择合适架构。

以下快速比较不同的多智能体系统架构。

下面深入了解各种架构。

集中式

集中式 多智能体架构由单一中央编排器和多个工作智能体组成。它们共享由编排器控制的通用知识库。收到任务后，编排器会将其拆分为更小的专业任务，并分配给相应智能体。

集中式架构在设计上简化了执行。可通过统一仪表板定义目标、执行安全策略并监督智能体。

不过，这种架构依赖的单一控制点也是运营风险。一旦编排器失效，整个系统都会失效，因为智能体依赖它进行协调和信息共享。

需要在生产环境中轻松实施安全防护和传播变更时，可使用集中式多智能体。

去中心化

去中心化智能体网络将推理、通信和行动平等分配给系统中的所有智能体。它采用扁平层级，没有任何智能体拥有高于其他智能体的权限。每个智能体都是自主实体，因此去中心化架构更稳健、更保护隐私，也更不易发生故障。

与集中式多智能体网络不同，即使单个智能体失效，去中心化架构仍可继续运行。其他智能体可通过共识或任务共享机制接替故障智能体的角色。其缺点是：在复杂通信网格中分发消息和保护通信安全较为复杂。

如果需要边缘计算等可扩展、容错的 AI 系统，可采用去中心化智能体架构。

分层式

分层架构由沿指挥链各层运行的 AI 智能体组成。可以将其视为公司的组织架构图：部门主管、中层管理者和运营主管分别监督同一项目的不同部分。顶层 AI 智能体负责规划，中层智能体负责协调，底层智能体负责细粒度执行。

清晰的层级结构有助于治理和审计追踪，可追溯不同层级智能体的决策。不过，多层智能体会增加开销，并可能在实时应用中造成明显延迟。

当需要跨多个领域的可扩展多智能体系统时，例如供应链管理，可采用分层 AI 架构。

顺序式

顺序式智能体系统按照固定模式，将一个 AI 智能体的结果传给另一个。例如，智能体 A 移交给智能体 B，再由 B 传给 C。在顺序式架构中，每一步都直接依赖上一步结果，因此特别适合可预测的工作流程。

可预测性是顺序式 AI 的主要优势。它让你可以轻松追踪错误并微调受影响的智能体。但由于下游智能体无法启动推理或并行运行，顺序管道会损失速度。

当严格依赖关系至关重要时，例如从医疗分诊到诊断，可使用顺序式智能体。

使用多智能体系统的主要优势

运营团队部署多智能体系统，是因为其优势已有实证支持。

以下是使用多智能体系统的一些优势：

• 灵活的专业化
• 更强的并行能力
• 更完善的故障隔离
• 更好的可扩展性

下面逐一详细说明。

专业化

多智能体系统不会将大量不同任务交给单个智能体，而是分配给专为处理这些任务设计的 AI 智能体。这样，运营团队可以设计出高度贴合工作流程的智能体系统。

例如，可使用网页抓取智能体获取产品数据、分析智能体预测市场趋势，以及电商智能体更新价格。

并行处理

多个 AI 智能体可同时运行，加快产出。无需依次循环调用一系列智能体，而是将没有依赖关系的任务委托给不同的自主智能体。推理完成后，再汇总结果进行进一步分析。

例如，客户成功团队可同时启动智能体来获取客户数据、汇总历史交易记录和呈现过往对话。

故障隔离

在多智能体系统中，故障不一定会导致整个系统停止运行。当某个智能体失效时，可修复或隔离它，防止其影响后续智能体工作流程。这使多智能体系统适合对运营中断容忍度低的关键任务应用。

例如，仓储智能机器人可接管故障机器人的工作。

可扩展性

工作负载增长时，多智能体系统可轻松扩展。无需从头重新设计架构，只需增加更多智能体即可提升效率。由于共享环境，所有智能体都能访问相同上下文，帮助新增智能体更准确地推理。

例如，初创公司部署多智能体营销工作流程管理新增潜在客户。当智能体遇到瓶颈时，可在同一平台上引入额外的 AI 智能体。

多智能体系统的挑战与局限

尽管多智能体系统优势明显，但实施时仍面临多项挑战。

• 协调开销：智能体必须准确传递上下文，才能持续实现预期结果。在复杂架构中，尤其是包含数百个智能体时，可靠的消息交换十分困难，可能导致上下文漂移，需要严格协调来缓解。
• 误差累积：作为 AI 智能体基础的 LLM 可能出错。任何未被某个智能体发现的不准确内容都会传递给下一个智能体。因此，团队可能发现最终结果存在显著差异，影响运营成效。
• 成本倍增：运行 AI 智能体可能成本高昂，复杂流程尤其如此。每次调用 LLM 提供商的 API 都会消耗 token，累积起来会产生可观成本。
• 调试不透明：多智能体系统的故障排查颇具挑战。当多个智能体共同产出结果时，定位根本原因需要更多工作。即使追踪到某个智能体的故障，由于 LLM 的概率性质，也极难复现问题。

多智能体系统的真实应用案例

多智能体系统已不止用于内部创新，也开始解决现实中的运营难题。

以下是多智能体系统改善实际工作流程的一些案例。

Woven by Toyota 使用多智能体系统自动修复代码

Woven by Toyota 是一家提供自动驾驶解决方案的现代移动出行公司。他们开发的软件必须遵守汽车行业编码标准 MISRA。但遵守 MISRA 并不容易，工程师必须根据数百页标准验证代码。

因此，Woven by Toyota 设计了多智能体系统，以规模化提升代码安全性。该系统由 Reviewer、Coder 和 Evaluator 智能体组成。Reviewer 和 Coder 会反复审查源代码以发现并修复编码问题，随后 Evaluator 进行最终检查，并说明判定理由。

最终，工程团队利用多智能体系统修正了 81.5% 的 MISRA 合规错误。

PGA TOUR 使用智能体 AI 进行媒体研究和内容制作

PGA TOUR 举办知名高尔夫赛事，拥有大量粉丝。然而，它难以制作充分覆盖所有球员的内容并进行广泛分发。场上有数百名球员，主办方希望缩短从内容创作到发布的时间。

通过部署多个职责明确的 AI 智能体，编辑团队可创作符合 PGA TOUR 品牌风格的内容。系统收到内容请求后，数据智能体先进行研究，再将结果交给编辑智能体。随后，文案智能体和图像智能体创建草稿，审核后发送给发布智能体。

部署后，PGA TOUR 将内容产量提升至每周 1,200 多篇内容。更重要的是，成本降低了 95%。

CUADRA 利用多智能体系统提升客户支持

CUADRA 是墨西哥高端零售品牌，通过社交媒体、网站和电话等多个渠道服务客户。公司了解客户偏好及时、个性化的回复，但在高峰季节面临挑战。

CUADRA 没有完全依赖人工客服团队，而是构建多智能体系统来筛选传入请求，并按需升级处理。系统核心是一个编排器，协调多个专业智能体，分别负责产品推荐、订单历史和客户互动。

这些智能体为 CUADRA 带来显著成效，客户对回复的评分达到 95.5%，高于人工全程处理时的 57%。

Synergy Logistics 部署多智能体管理仓库运营

仓库运营对时间要求很高。例如，人工操作员可能错过发货截止时间，或面临缺货风险，从而给企业带来经济损失。Synergy Logistics 是领先的仓库管理解决方案提供商，率先利用多智能体系统帮助操作员提升库存管理效率并减少疏漏。

这家仓库解决方案提供商构建了集中式智能体 AI 系统，用于预测库存流动并提升仓库运营透明度。一个 编排器智能体充当协调员，将任务委派给库存风险、任务优先级和缺货预测智能体。这些智能体使用 WMS 数据进行推理并提供建议。

这些智能体合计可处理操作员工作量的最高 75%。

语音 AI 中的多智能体系统

语音 AI 是一种能够聆听人类、理解意图并以类人声音回应的技术。你可以构建多智能体语音 AI 系统，以极少人工介入实现更智能、可扩展且高效的语音交互。

例如，可使用 AI 电话系统辅助 客户支持 团队。与传统交互式语音应答系统不同，AI 电话系统会实时合成语音，而非使用预录音频库。客户无需等待数分钟即可获得所需回复。

不过，构建 AI 电话系统需要多个智能体协作。在 智能体工作流程中，分诊智能体会筛选初始客户请求、获取所需数据，并将通话转接给其他智能体。智能体转接机制会传递上下文和聊天记录，确保对话自然连贯、易于理解。

使用 ElevenAgents，轻松实现 AI 智能体协作

ElevenAgents让你能在一个平台上设计、测试和部署多智能体语音与聊天系统。可应用安全护栏、跟踪聊天机器人的表现，并回顾转录记录以改进内部或面向客户渠道的对话。

在 ElevenAgents 中详细了解多智能体系统，或立即注册，开始为工作流程构建智能体。

常见问题：了解多智能体系统