一、新闻
先播放一条最新新闻，通义团队官宣开源了两个智能体Alias-Agent和Data-Juicer Agent。
Alias-Agent提供了RaAct，Planner，DeepResearch三种模式，以实现灵活的任务执行。
DataJuicer 智能体是一个数据专员，由数据处理智能体，代码开发智能体，MCP 智能体，数据分析与可视化智能体，问答智能体五个智能体组成。
看到这里已经相当炸裂了！可能很多伙伴对智能体（Agent）的范式不熟悉，还不理解ReAct、Planner、反思叭叭这些名词。那你们就来对了地方，我用最容易理解的方式带大家一起看下智能体内部是什么样子的。
产品化的智能体由多Agent，反思，计划，推理与行动，记忆，RAG，工具，MCP组成的。首先聊下“Multi-Agent”，它非常好玩！
二、Multi-Agent 的7种设计模式
要让AI代替人工作，现阶段的单体智能体（仅通过系统提示词赋能的LLM）是很难实现的。我们很快意识到，要构建高效的系统，需要多个专业化智能体协同工作、自主组织。为实现这一目标，AI 智能体领域已涌现出多种架构模式。多个智能体组成实现的，也就是Multi-Agent，发展到现在有7种实现方式。
1. 工作流模式
在《Agentic Design Patterns》中叫Prompt Chaining，每个智能体都逐步地完成输出，比如一个生成代码，另一个审核代码，第三个部署代码。每一步的输出作为下一步的输入。这种信息传递建立了依赖链，前序操作的上下文和结果会引导后续处理，使 LLM 能够在前一步基础上不断完善理解，逐步逼近目标解。
他非常适合应用在工作流自动化、ETL和多步骤推理pipeline场景。
2. 路由模式
路由模式为智能体的操作框架引入了条件逻辑，使其从固定执行路径转变为动态评估标准，从一组可能的后续动作中进行选择的模式，从而实现一套更灵活，并且具备上下文感知的。一个控制器智能体将任务分配给合适的专业智能体，这是上下文感知智能体路由的基础，正如在MCP、A2A框架中所看到的那样。
路由模式的实现有四种：
• 根据LLM路由，通过提示语言模型分析输入，并输出指示下一步或目标的标识符或指令。这里有显式路由和隐式路由两类，显示直接使用智能体的结构化输出来确定将消息路由到哪个智能体。隐式路由是将下游智能体包装成工具函数，这样路由智能体就可以根据用户查询决定调用哪个工具。
""" 伪代码示例 """
router = ReActAgent(
name="Router",
sys_prompt="#角色#你是一个路由智能体。你的目标是将用户查询路由到正确的后续任务，注意你不需要回答用户的问题。
#任务#选择正确的后续任务，如果任务太简单或没有合适的任务，则选择 ``None``",
model=ChatModel(
model_name="gpt-4",
api_key="",
stream=False,
)
)
根据Embedding路由，利用嵌入能力，将查询路由到最相似的路径上，适用于语义路由，即决策基于输入的含义而非关键词。
""" 伪代码示例 """
def __init__(self):
# 使用轻量级的句子编码模型
self.model = ChatModel( model_name="gpt-4", api_key="", stream=False, )
# 定义不同的路由能力和对应的处理函数
self.routes = {
'code_help': {
'description': '编程，代码',
'handler': self.handle_code_question
},
'general_chat': {
'description': '聊天，日常对话',
'handler': self.handle_general_chat
}
}
# 预计算所有路由描述的嵌入向量
self.route_embeddings = {}
for route_name, route_info in self.routes.items():
embedding = self.model.encode([route_info['description']])
self.route_embeddings[route_name] = embedding
def route_query(self, user_question):
# 1. 将用户问题转换为嵌入向量
question_embedding = self.model.encode([user_question])
# 2. 使用余弦计算与各个路由的相似度
similarities = {}
for route_name, route_embedding in self.route_embeddings.items():
similarity = cosine_similarity(question_embedding, route_embedding)[0][0]
similarities[route_name] = similarity
# 3. 选择相似度最高的路由
best_route = max(similarities, key=similarities.get)
best_score = similarities[best_route]
# 4. 调用对应的处理器
handler = self.routes[best_route]['handler']
response = handler(user_question)
return {
'route': best_route,
'confidence': best_score,
'response': response
}
....
• 根据定义规则路由，硬编码方式，根据关键词、模式或结构化数据进行路由。此方法比 LLM 路由更快、更确定，但灵活性较低。
• 根据自训小模型路由，采用如分类器等判别模型，在小规模标注数据集上专门训练以实现路由任务。与向量嵌入方法类似，但其特点是监督微调过程，路由逻辑编码在模型权重中。与 LLM 路由不同，决策组件不是推理时执行提示的生成模型，而是已微调的判别模型。LLM 可用于生成合成训练数据，但不参与实时路由决策。
3. 并行模式
每个智能体负责处理不同的子任务，例如数据爬虫、网络检索和摘要生成，它们的输出会合并为一个单一结果。非常适合减少高吞吐量管道中的延迟。（如文档解析或API编排）
4. 循环模式
智能体不断优化自身输出，直到达到预期质量。非常适合校对、报告生成或创意迭代，在这些场景中，系统会在确定最终结果前再次思考。反思就是在此模式上进行的优化。
5. 聚合模式
许多智能体生成部分结果，由主智能体将这些结果整合为一个最终输出。因此，每个智能体都形成一个观点，而一个Master智能体将这些观点汇总成共识。在RAG的检索融合、投票系统等场景中很常见。
6. 网络模式
这里没有明确的层级结构，智能体之间可以自由交流，动态共享上下文。用于模拟、多智能体游戏以及需要自由形式行为的集体推理系统中。agentscope-samples ，模拟了9个智能体的狼人杀游戏。
7. 层级模式
一个顶级规划智能体，将子任务分配给工作智能体，跟踪它们的进度，并做出最终决策。这和经理及其团队的工作方式完全一样（很多中间件的架构也是类似这种模式如Redis、ES、Nocas）。意图识别就是采用此模式。
小节：
我们一直在思考的一件事，不是哪种模式看起来最酷，而是哪种模式能最大限度地减少智能体之间的摩擦。启动10个智能体并称之为一个团队很容易。难的是设计沟通流程，以确保：没有两个智能体会做重复工作。每个智能体都知道何时行动何时等待，使这个系统作为一个整体，比其任何单个部分都更智能。为此我们遵循 building-effective-agents 设计。
三、Multi-Agent 框架
多智能体模式将人工智能工作流构建为一个智能体团队，它们相互协作，每个智能体都有明确的角色。每个智能体能够感知输入、进行推理（通过思维链）并执行操作以完成子任务。每个智能体通常都配置有特定角色，并且只能访问该角色所需的工具或信息。例如，PM AGent负责需求判断是否需要其他智能体参与，若需要技术决策则联动Tech lead agent。智能体将循环进行思考（“思考……”）和行动（“行动……”），直到完成其工作部分的任务。如下图
以上简单介绍了多智能体的设计模式，那么当下是不是已经有了成熟的架构供我们使用呢？答案是肯定的！
1.AutoGPT：Github 180k Star
2.Dify： Github 118k Star
3.AutoGen： Github 51.4k Star
4.CrewAI：Github 40.1k Star
5.LangGraph： Github 20.6k Star
![]()
为什么需要使用Agent框架？
只要“问题不可完全穷举、要跨多系统查证、并且需要在对话中澄清、协商、决策”，就更应该用 Agent 框架，而不是纯 Workflow。
纯 Workflow 的“天花板”
Workflow 在对话中的“澄清—再决策—再行动” 并不天然友好，需要把每一步提问、回答、重试都画成节点，复杂而脆弱。
场景：用户发起：“我的包裹还没到，怎么办？”
通过Workflow创建如下智能体：(先不期待GPT-6 会自主思考的智能体)
• 意图识别智能体：识别用户诉求（查询进度/催促/投诉/报损/退货等）
• 物流状态智能体：实时拉取承运商状态，判断包裹位置、异常
• 政策规则智能体：查询当前时段政策（节假日、大促、平日），判断是否特殊处理
• 用户画像智能体：判断用户等级、历史行为、是否会员
• 异常检测智能体：分析是否有报损、拒收、欺诈等信号
• 澄清与补充智能体：信息不全时自动向用户提问，补齐决策所需信息
• 解决方案生成智能体：综合所有智能体结果，输出最优处理方案（比如：建议等待/补发/赔偿/升级处理/转人工等）
智能体数量✖️物流状态✖️用户等级✖️物流政策....你的分支会爆炸。所以需要用Dify这类的可以支持动态决策，动态推理和澄清的智能体框架。
Agent 框架解决的核心问题
以 AutoGen、CrewAI 这类 Agent 框架为例，它们把“在对话里动态规划与调用工具”作为第一性能力：
场景：用户说“我10.1买的手机现在还没到，给我退货！另外，你们的运费险的保账期是多久？”
一个合格的客服 Agent 团队会做什么？
没有路由决策，首先会动态匹配所有Query，对Query进行改写成“查询用户的订单”，“用户想要退货”，“运费险的保账范围和条款”。
1. 意图识别 + 澄清
◦ Planner Agent：拆出多意图（物流异常、退货、计费异常、运费险条款），先问关键（订单号、地址）。
2. 跨系统取证
◦ OMS/物流工具：查轨迹与 SLA；
◦ 计费/支付工具：核对重复扣款交易；
◦ CRM：看是否 Plus、是否有历史补偿记录；
◦ 保库：查询运费险
3. 政策推理与合规
Policy Agent：套用“假期延误 + Plus + 运费险”的组合条款，评估可给的补偿区间、是否触发风控人工复核。
这些动作里，很多步骤无法事先“画”成固定分支，需要在对话上下文里做决策、需要跨工具动态组合、需要“问一句 → 查一下 → 再决定”，这正是 Agent 的强项。
结尾：
以上是对多智能体的总结，你会了吗？
