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。多智能体系统便是日益受到关注的方法之一。

多智能体系统让组织能够通过协作式自主 AI 智能体自动化复杂工作流，解决了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%，随着这种架构日益普及，也推动了业务增长、创新和生产力提升。

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

摘要

• 多智能体系统使用多个 AI 智能体完成单个智能体无法处理的复杂任务。
• 多智能体系统可部署 7 种 AI 智能体，包括简单反射型、基于模型和基于目标的智能体。
• 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包括架构带来的可扩展性、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，它们共同解决单个智能体无法处理的复杂问题。

AI 智能体是由大语言模型（LLM）驱动的自主应用，可进行推理、执行操作并连接外部工具。单个 AI 智能体适合边界清晰的任务，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，中央协调器会将复杂任务拆分为多个较小部分，再将各任务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，并通过与用户及环境的交互持续改进。

为什么多智能体系统很重要？

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，但若要求它在有限时间和信息下完成大量任务，准确性会降低。

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

以内容营销工作流为例。单个 AI 智能体很难完成选题研究、受众分析、内容创作、发布和报告等工作，需要你在不同环节介入。

而多智能体系统会部署专用 AI 智能体，各自擅长相应知识领域，并连接自动化工作流所需的工具。

多智能体系统中的 AI 智能体类型

AI 智能体共有 7 种类型，各有特点。

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，它会产生操作、文本、音频或其他形式的输出。它不保留结果或环境记忆，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会部分感知其部署环境。通过持续交互，它会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。

但它不会保留过去推理的记忆，因此在某种程度上与简单反射型智能体的运行方式相似。

3. 基于目标的智能体

基于目标的智能体会考虑能够达成预定目标的操作。它不按条件规则行动，而是使用搜索和规划算法预测已规划路径的未来结果，再选择最有可能成功的路径。

4. 基于效用的智能体

基于效用的智能体旨在实现效用最大化的结果。在 AI 智能体的语境中，效用是从系统获得的价值。部署后，智能体会预测可选路径并为每条路径赋权，再权衡潜在风险与收益，选择最有价值的方案。

5. 学习型智能体

学习型智能体通过过去经验和与环境的交互不断提升性能。它通过反馈循环，依据特定标准评估表现并优化行为，以产生理想结果。

6. 层级型智能体

层级型智能体通过高层和低层智能体之间不同的指挥链运行。高层智能体通常将大型任务拆分为供低层智能体处理的小任务。

低层智能体负责战术执行，例如采集传感器数据和控制执行器响应。在复杂配置中，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

协作型智能体彼此之间是点对点关系。它们不依赖中央编排器，而是共享信息、移交控制权，并协作实现共同目标。

常见多智能体系统架构

多智能体系统能提升运营效率，但要成功部署，关键在于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知识库。接到任务后，编排器会将任务拆分为更小的专业部分，并分配给相应智能体。

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

但该架构依赖的单一控制点也是运营风险。若编排器发生故障，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。

当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、通信和操作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更高权限。每个智能体都是自主实体，因此该架构更稳健、保护隐私且不易失效。

与集中式多智能体网络不同，即使单个智能体故障，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。缺点是，在复杂通信网格中分发消息和保障通信安全较为复杂。

如果需要边缘计算这类可扩展、容错的 AI 系统，可采用去中心化智能体架构。

层级式

层级式架构由按多层指挥链运行的 AI 智能体组成。可以将它看作公司的组织架构图：部门主管、中层经理和运营高管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。但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。

当需要覆盖多个领域的可扩展多智能体系统时，例如供应链管理，可使用层级式 AI 架构。

顺序式

顺序式智能体系统按严格模式将结果从一个 AI 智能体传递给另一个。例如，智能体 A 移交给智能体 B，再传递给智能体 C。在顺序式架构中，每一步都直接依赖前一步结果，因此适合可预测的工作流。

可预测性是顺序式 AI 的主要优势。它让你能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，顺序式流水线会损失速度。

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，是因为其优势已得到验证。

以下是使用多智能体系统的一些优势：

• 灵活专业化
• 提升并行性
• 增强故障隔离
• 更强可扩展性

下面逐一详细说明。

专业化

多智能体系统不会将广泛任务分配给单个智能体，而是交给专为处理这些任务设计的 AI 智能体。这让运营团队能设计出高度贴合自身工作流的智能体系统。

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 智能体可同时运行以加快产出。无需依次循环调用一系列智能体，可将无依赖关系的任务委派给不同自主智能体。它们完成推理后，再整合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获取客户数据、汇总历史交易并调取过往对话。

故障隔离

在多智能体系统中，故障不一定会让整个系统停摆。某个智能体故障时，可修复或隔离它，防止影响后续智能体工作流。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来管理传入线索。当智能体遇到瓶颈时，可在同一平台引入更多 AI 智能体。

多智能体系统的挑战与局限

尽管多智能体系统具备诸多优势，但其实施仍面临一些挑战。

• 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，尤其是拥有数百个智能体时，可靠的消息交换十分困难。这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。任何未被发现的不准确内容都会传递给下一个智能体，导致最终结果出现显著差异，并影响运营结果。
• 成本倍增：运行 AI 智能体可能成本高昂，复杂流程尤甚。每次调用 LLM 提供商的 API 都会消耗 token，累积后会产生大量成本。
• 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生结果时，定位根本原因需要更多精力。即使追溯到某个智能体，由于 LLM 的概率性，也极难复现问题。

多智能体系统的实际案例

多智能体系统已不再局限于内部创新，而是开始解决现实运营挑战。

以下案例说明多智能体系统如何改善实际工作流。

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出行公司。其开发的软件必须符合汽车行业编码标准 MISRA。但满足 MISRA 并不容易，工程师必须依据数百页标准验证代码。

因此，Woven by Toyota 设计了多智能体系统，以大规模提升代码安全性。系统由审查、编码和评估智能体组成。审查和编码智能体会迭代检查源代码，发现并修复编码问题；评估智能体随后进行最终检查，并说明其判定理由。

最终，工程团队使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 开展媒体研究和内容制作

PGA TOUR 举办享有盛誉的高尔夫赛事，拥有大量粉丝。但它难以制作充分覆盖所有球员的内容并有效分发。由于赛场上有数百名球员，组织方希望缩短从内容创作到发布的时间。

编辑团队部署多个职责明确的 AI 智能体，创作符合 PGA TOUR 品牌风格的内容。系统收到内容请求后，数据智能体先开展研究并将结果交给编辑智能体；随后，写作和图像智能体创建草稿，审核后交由发布智能体处理。

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、网站和电话等多渠道服务客户。该公司知道客户希望得到及时且个性化的回复，但在高峰季节面临挑战。

CUADRA 没有完全依赖人工客服团队，而是构建了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，负责协调产品推荐、订单历史和客户互动等多个专业智能体。

这些智能体为 CUADRA 带来了成效，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 部署多智能体用于仓库运营

仓库运营对时间十分敏感。例如，人工操作员可能错过发货期限或面临缺货风险，从而给公司造成损失。领先的仓库管理解决方案提供商 Synergy Logistics 主动利用多智能体系统，帮助操作员提高管理库存的效率并减少疏漏。

该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高达 75% 的工作负载。

语音 AI 中的多智能体系统

语音 AI 是一种可聆听人类、理解意图并以自然人声回应的技术。你可以构建多智能体语音 AI 系统，以最少人工干预实现更智能、可扩展且更高效的语音交互。

例如，可使用 AI 电话系统增强客户支持团队能力。AI 电话系统不同于传统交互式语音应答系统，它会实时合成语音，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。

但构建 AI 电话系统需要多个智能体协作。在智能体工作流中，分诊智能体会筛选初始客户请求、检索所需数据，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，确保对话流畅易懂。

使用 ElevenAgents 开始实现无缝 AI 智能体协作

ElevenAgents让你能在单一平台设计、测试和部署多智能体语音与聊天系统。无论用于内部还是面向客户的渠道，都可应用安全护栏、跟踪聊天机器人表现并回顾转录记录，从而改进对话。

在 ElevenAgents 中了解多智能体系统，或立即注册，开始为工作流构建智能体。

常见问题：了解多智能体系统