关注我们，深度学习LLM应用
多智能体系统（Multi-Agent System，MAS）已经成为AI Agent领域广受认可的一种重要设计范式，其具有比单个智能体更高的适应性与可扩展能力，以适应复杂的业务领域变化的需求。如果把智能体看作是一个数字化的智慧人，那么就必然面临一个问题：“人”与“人”之间应该如何协作来回答问题或完成任务？参考一些多智能体框架的设计，这里为大家总结8种多智能体之间的任务协作模式：
- 反思模式
- 顺序模式
- 层次模式
- 转交模式
- 仿神经网络模式
- 辩论模式
- 嵌套模式
- 自定义模式
1
反思模式
【模式概述】
这是一种双Agent协作的典型模式：
- A智能体接受输入任务，进行输出
- B智能体对A输出进行反思或审核并反馈给A
- 重复，直到达到最大迭代次数或B审核通过
【例子】
- 代码生成： 一个负责编码，一个负责审核并反馈意见
- 代码解释器： 一个负责编码，一个负责执行并反馈结果
反思模式可以泛化成更通用的 “二人对话” 模式，只是给两者设定的角色不同而已，都是通过二人对话协作来解决问题。
2
顺序模式
【模式概述】
顺序模式是一种多个Agent以确定的顺序工作的模式，如果你了解CrewAI，应该熟悉这种模式：一个团队（Crew）内部多个Agent会被分配确定的子任务（Task），按照固定的顺序调度执行，并把子任务结果传递给下一个Agent，直到流程结束。
【例子】
- 营销文案创作 ：idea生成-->目录结构-->文章创作-->润色审核
- 市场调查分析： 网络搜索-->调查报告起草-->PPT制作
- HR简历筛选： 简历下载-->简历筛选-->邮件起草与发送
顺序模式适合具有确定性工作流的任务，也是最常见的一种协作模式。
3
层次模式
【模式概述】
层次也是一种常见的协作模式，其对应着人类工作中常见的一种管理架构，即由一个管理者带领多个工作人员一起完成任务。与顺序模式不一样的是，这里的工作人员由于并没有明确固定的任务流程，因此也就需要一个管理者Agent（Manager Agent）来负责分配任务给工作Agent（Worker Agent）：
管理者在分配任务时，又会涉及到不同的决策模式，比如在CrewAI中，通常为借助LLM与上下文自动判断；而在AutoGen中，则存在随机、顺序、自动、自定义等多种决策模式。
在这种模式中，如果一个任务只拆分给一个工作Agent来完成，可以认为其退化成了“路由”模式。
【例子】
- 团队讨论： 由Manager带领团队围绕话题展开头脑风暴。
- 分布式研究： Manager负责将复杂的研究任务拆分给不同的工作Agent来协同完成，Manager负责任务的检查、汇总与整理。
- 智能RAG： 在多数据源的Agentic RAG中，由管理Agent协调多个工作Agent来共同完成不同数据源的检索任务，以回答跨数据源的复杂问题。
关于智能RAG，可参考:
4
转交模式
【模式概述】
转交模式是OpenAI 最新的轻量级框架Swam采用的一种多Agent协作模式。这种模式的核心思想是：任何一个Agent可以借助自己的一个工具将任务转交给其他的Agent。它与顺序模式及层次模式的区别在于：
-
它没有固定的工作流程。
-
它没有明确的管理Agent负责分配任务，每一个智能体都可以定义多个“转交”工具，由LLM判断是否需要转交任务给其他智能体。
当然，在实际应用中，你不一定需要定义任意两个Agent之间的转交方法。比如在一个典型的客户服务场景，你可以会让一个接入客户的分类Agent来负责转交请求给另外两个负责产品咨询与售后服务的Agent，而这两个Agent在处理完收到的任务后可以再转交回分类Agent。你甚至可以定义负责产品咨询的Agent如果错误的收到了售后服务的请求，也可以再转交给售后服务Agent。
【例子】
- 客户服务分类 ：在线客户服务中，由一个负责分类的Agent接入客户，并负责根据客户请求转交给销售Agent、服务Agent、甚至人类Agent来完成；复杂具体工作的Agent也可以相互转交任务。
我们将在下篇中介绍另外四种更复杂的任务协作模式，敬请关注。
福利时间
为了帮助LLM开发人员更好的、更系统性的学习RAG应用，特别是企业级的RAG应用场景下，当前主流的优化方法与技术实现，我们编写了 《基于大模型的RAG应用开发与优化 — 构建企业级LLM应用》 这本 500页 的指南，与大家一起来深入到LLM应用开发的全新世界。
更多细节，点击如下链接了解
现在购，享 50%折扣
END
交流请识别以下名片