多智能体协作是什么？1 篇讲透 Multi-Agent
多智能体协作（Multi-Agent）是什么？这篇用人话讲清楚多个 AI Agent 怎么分工、怎么交接、和单 Agent 有啥区别。零基础也能 5 分钟搞懂
一句话说清多智能体协作是什么
多智能体协作（Multi-Agent）就是让多个 AI Agent 分工合作完成一件事，每个 Agent 只管自己擅长的那一块，需要换人时把活儿交接过去。
和「一个全能 Agent 包打天下」相反，多智能体的思路是「专业的人干专业的事」。客户进来先找前台分诊，分诊员看是销售问题就转给销售 Agent，看是售后就转给售后 Agent——和你打 10086 找人工的体验几乎一样。
OpenAI 在 Cookbook 里把这种模式叫做 Orchestrating Agents（协作式智能体），并给出了一套最简实现：每个 Agent 是一个「指令 + 工具」的小封装，转接通过函数调用实现，全程不需要复杂的状态机。
用一个生活场景理解
假设你周末想去三亚玩 5 天，丢给一个 AI 助手：“帮我安排一下”。
如果只有 1 个全能 Agent，它得自己同时管：查航班、订酒店、做行程、订餐厅、查潜水店、买保险……结果就是它每件事都做半吊子，价格漏比、行程冲突、餐厅订到不营业的。
换成多智能体协作：
- 总调度 Agent：理解你的整体需求，决定派谁
- 交通 Agent：只管比价、订机票、规划机场往返
- 酒店 Agent：只管查评分、订房、确认免费取消政策
- 行程 Agent：只管做每日规划、查天气、订门票
- 预算 Agent：盯总账，超预算时拉回来
每个 Agent 只看自己那一摊，但能互相把活儿交出去。结果是每件事都更靠谱，整体更不容易翻车。
这就是多智能体协作 —— 不是一个 AI 干完所有事，而是一支 AI 团队互相协作。
多智能体协作的 3 种核心模式
OpenAI Cookbook 把多智能体的协作方式归纳成几种模式。理解这 3 种，你基本就懂了 90% 的多 Agent 系统怎么搭。
1. 分诊模式（Triage / Routing）
最常见也最直观的模式。
- 一个总入口 Agent（Triage Agent）接收用户请求
- 它不干活，只判断该转给谁
- 判断完调用对应的转接函数，比如
transfer_to_sales_agent() - 后续对话由销售 Agent 接管
适合场景：客服系统、内部 IT 助手、电商售前售后。任何「请求种类多、每种处理逻辑差很多」的场景都用这个。
2. 接力模式（Handoffs）
一件事按顺序分多步，每一步交给不同的 Agent 完成。前一个 Agent 干完把上下文连带结果一起交给下一个。
OpenAI Cookbook 里有个典型例子：用户上传简历 + 说明想做的工作，然后：
- 简历提取 Agent：把简历结构化成 JSON
- 职业分析 Agent：拿提取结果对比目标岗位需求，找差距
- 课程推荐 Agent：根据差距推荐学习资源
每个 Agent 只对自己那一步负责，下一个 Agent 拿到上一个的输出当输入。流水线作业，可靠且好调试。
3. 主管模式（Manager Pattern）
一个 Manager Agent 当总调度，下面挂多个 Worker Agent。Manager 负责拆任务、分发、收集结果、整合。
适合场景：复杂的研究/写作任务。比如「写一份某行业 2026 年趋势报告」，Manager 拆成「市场数据 / 政策环境 / 头部玩家 / 技术演进」4 个子任务派给 4 个 Worker，最后自己把结果合成一篇完整报告。
多智能体协作和单 Agent 啥区别
一张表讲清楚：
| 维度 | 单 Agent | 多智能体协作 |
|---|---|---|
| 结构 | 一个大模型 + 一堆工具 | 多个小 Agent + 转接机制 |
| 上下文窗口 | 容易爆，工具一多就乱 | 每个 Agent 只看自己那部分，干净 |
| 调试难度 | 错了不知道哪一步出问题 | 哪个 Agent 出错直接定位 |
| 维护成本 | 改一个工具影响全局 | 每个 Agent 独立迭代 |
| 适合场景 | 简单任务、单一领域 | 复杂任务、多领域、长流程 |
| 失败模式 | 一个环节崩全盘崩 | 局部失败可重试或转人工 |
简单记：如果你的 Agent 现在能干的活超过 10 件事 / 工具超过 8 个 / 提示词写了 200 行，就该拆成多智能体了。
多智能体怎么把活儿「交出去」
最关键的工程问题是：A Agent 怎么把对话和上下文交给 B Agent？OpenAI Cookbook 的解法非常优雅，记住 2 个关键点：
1. 转接其实是一个「特殊的工具」
每个 Agent 的工具列表里，除了正常工具（查数据库、发邮件等），还有几个长这样的工具：
transfer_to_sales_agent()transfer_to_support_agent()transfer_to_billing_agent()
这些工具不真的「执行」什么动作，它们的返回值是一个 Agent 对象。
2. 系统识别「返回是 Agent」就切人
主循环检测到某个工具返回了 Agent 对象，立刻把「当前 Agent」换成新的，然后把刚才的对话历史完整传过去。新 Agent 拿到完整上下文，可以接着干。
整个机制不需要状态机、不需要消息队列，只是「函数调用 + 简单循环」。这也是为啥 OpenAI 强调这套方案的优势是简单、稳健、易扩展。
一个判断「我的需求要不要上多 Agent」的 prompt
不是所有事都需要多智能体。下面这个 prompt 帮你 30 秒判断：
你是一位 AI Agent 架构顾问。我会描述一个想用 AI Agent 解决的任务，请按以下 5 个维度判断我应该用「单 Agent」还是「多智能体协作」：
- 任务种类：处理的请求是同一类（如全是写邮件），还是多类（销售/售后/技术都有）
- 流程长度：一次任务大概几步完成（少于 5 步偏单 Agent，10 步以上偏多 Agent）
- 工具数量：需要接的工具数量（少于 8 个偏单 Agent，10 个以上偏多 Agent）
- 失败影响：一个环节失败是局部出错还是全盘崩盘
- 团队规模：是 1 人维护还是多人协作（多人协作偏多 Agent，每人维护一个子 Agent）
最后给出明确建议：单 Agent / 多智能体（分诊模式 / 接力模式 / 主管模式）/ 暂时还不需要 Agent。
我的任务是：[这里描述你的任务]
把方括号里换成你的实际场景，发给 ChatGPT 或 Claude 都能得到判断。
多智能体协作的 3 个常见坑
坑 1：拆得太细，沟通成本爆炸
新手一兴奋就把任务拆成 10 个 Agent，每个 Agent 只干 1 件小事。结果转接来转接去，上下文反复传，token 成本翻 5 倍，速度变 3 倍慢。经验值：一个完整流程 3-5 个 Agent 最合适，超过 7 个就该重新审视。
坑 2：转接没人兜底
A Agent 转给 B 时如果 B 处理不了，没设计兜底就会陷入「我转你你转我」的死循环。最佳实践：
- 每个 Agent 都设置一个「转回总调度」的工具
- 总调度 Agent 有「转人工 / 放弃任务」的最后兜底
- 加循环次数上限（比如最多转接 5 次）
坑 3：上下文传得不干净
新 Agent 拿到的上下文里如果带着上一个 Agent 的角色设定、内部思考、工具调用 log，会被干扰。最佳实践是：
- 转接时只传「用户原始需求 + 中间产出的关键事实」
- 上一个 Agent 的角色提示词不要带过去
- 内部工具调用细节可以压缩成一句摘要
国内能用多智能体协作吗？
完全能用，而且选择不少。
海外平台（需要科学上网）：
- OpenAI Agents SDK：原生支持 handoffs 机制，文档最完整
- LangGraph（LangChain 出品）：业界用得最多的多 Agent 编排框架
- CrewAI：专为多 Agent 协作设计的开源框架
- AutoGen（微软出品）：擅长「多 Agent 互相对话」场景
国产平台（直接能用）：
- 扣子 Coze：字节跳动出品，可视化拖拽多 Agent 工作流，入门最快
- Dify：开源可私有部署，支持多 Agent 编排
- 百度千帆 AppBuilder：百度生态，To B 友好
详细对比看 国产 AI Agent 平台盘点。
下一步
读完这篇你已经知道多智能体协作是啥、有几种模式、和单 Agent 啥区别。接着值得看的：
- AI Agent 是什么？1 篇看懂智能体的 5 大组件：理解单 Agent 的基础
- Agent 工作流是什么？从触发到执行全过程：搞懂 Agent 一步一步怎么跑
- AI Agent 的 4 大类型：了解不同 Agent 的定位
- MCP 是什么？让 AI 接万物的协议：多 Agent 系统的工具层底座
- AI 智能体完全指南：Pillar 长文
常见问题
Q：多智能体协作就是把一个大 prompt 拆成几段吗？ A：不是。多智能体的核心是每个 Agent 有独立的指令、工具、模型，并且能彼此转接对话。只是把 prompt 拆段那叫 chain of thought，不算多 Agent。
Q：多智能体一定比单 Agent 更强吗？ A：不一定。简单任务用单 Agent 又快又便宜。多智能体的优势在「复杂、多领域、长流程」场景，简单场景反而会因为转接增加延迟和成本。
Q：每个 Agent 都得用 GPT-5 / Claude Opus 这种顶配模型吗？ A：不需要。分诊 Agent 用便宜模型即可；只有需要复杂推理的核心 Agent 才用顶配。多智能体一个隐藏好处是可以「按需配模型」省钱。
Q：多 Agent 之间能并行吗？ A：能。主管模式经常并行：Manager 把任务拆成 4 块同时派给 4 个 Worker，并行干完再汇总。OpenAI Agents SDK、LangGraph 都支持并行调度。
Q：完全不会写代码能搭多智能体吗？ A：能。扣子 Coze、Dify 都是可视化拖拽，不写代码也能搭 3-5 个 Agent 的协作工作流。复杂场景再考虑代码方案。
Q：多智能体比单 Agent 贵多少？ A：通常贵 30%-100%，主要来自上下文传递的额外 token 成本。但如果因此把任务成功率从 60% 提到 95%，整体性价比反而更高——重要的是按结果算账，不是按调用次数算账。