学习目标通过本文的学习读者将理解多Agent协作的核心价值为什么需要多个Agent协同工作掌握主流多Agent框架AutoGen、CrewAI、LangGraph的架构设计实现不同协作模式对话式、角色式、图式协作对比框架优劣根据场景选择合适的框架构建实际应用从客服到数据分析的多Agent系统一、多Agent协作概述1.1 为什么需要多Agent单一Agent在处理复杂任务时面临诸多局限问题描述影响能力边界一个Agent难以精通所有领域专业任务处理不足上下文限制单个对话窗口Token有限长对话信息丢失任务分解复杂任务难以单Agent完成效率低下并行处理串行执行速度慢用户体验差多Agent协作的优势专业化分工每个Agent专注特定能力并行执行多Agent同时工作提高效率分布式智能复杂问题分解为多个简单子问题可扩展性按需添加新Agent扩展能力1.2 协作模式分类┌─────────────────────────────────────────────────────────────────┐ │ 多Agent协作模式 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ ① 对话式协作 (Conversational) │ │ Agent A ←→ Agent B ←→ Agent C │ │ 例AutoGen │ │ │ │ ② 角色式协作 (Role-based) │ │ Manager → Agent A, Agent B, Agent C │ │ 例CrewAI │ │ │ │ ③ 图式协作 (Graph-based) │ │ Node A → Node B → Node C │ │ 例LangGraph │ │ │ │ ④ 层级式协作 (Hierarchical) │ │ Manager │ │ ↙ ↘ │ │ Worker Worker │ │ ↙↘ ↙↘ │ │ Task Task Task Task │ │ │ └─────────────────────────────────────────────────────────────────┘二、AutoGen微软的对话式协作框架2.1 核心概念AutoGen是微软研究院开发的多Agent协作框架其核心理念是**“对话即工作流”**。核心组件组件说明AssistantAgent智能助手执行具体任务UserProxyAgent用户代理执行代码或接收用户输入GroupChat群聊模式多Agent自由讨论ConversableAgent所有Agent的基类2.2 基础使用fromautogenimportAssistantAgent,UserProxyAgent,config_list_from_json# 加载配置config_listconfig_list_from_json(OAI_CONFIG_LIST)# 创建助手AgentassistantAssistantAgent(nameassistant,llm_config{config_list:config_list,temperature:0})# 创建用户代理user_proxyUserProxyAgent(nameuser_proxy,human_input_modeNEVER,# 或 ALWAYS / TERMINATEmax_consecutive_auto_reply10,code_execution_config{work_dir:coding,use_docker:False})# 启动对话user_proxy.initiate_chat(assistant,message帮我写一个快速排序算法)2.3 群聊模式fromautogenimportGroupChat,GroupChatManager# 创建多个AgentwriterAssistantAgent(namewriter,system_message你是一个专业的技术作家)reviewerAssistantAgent(namereviewer,system_message你是一个严格的技术评审)coderAssistantAgent(namecoder,system_message你是一个Python开发专家)# 创建群聊group_chatGroupChat(agents[writer,reviewer,coder],messages[],max_round10)# 创建群聊管理器managerGroupChatManager(groupchatgroup_chat,llm_config{config_list:config_list})# 启动群聊user_proxy.initiate_chat(manager,message帮我写一篇关于深度学习的博客要求1. 专业性强 2. 代码示例 3. 审稿通过)2.4 代码生成与执行闭环AutoGen的经典应用是构建代码生成-执行-修复的闭环# 专门的代码生成Agentcode_writerAssistantAgent(namecode_writer,system_message你是一个Python开发专家。 根据用户需求编写高质量的Python代码。 确保代码可运行、有注释、符合PEP8规范。)# 代码执行Agentcode_executorUserProxyAgent(namecode_executor,code_execution_config{work_dir:outputs},human_input_modeNEVER)# 代码评审Agentcode_reviewerAssistantAgent(namecode_reviewer,system_message你是一个代码评审专家。 审查代码中的bug、性能问题和安全漏洞。 提出具体的改进建议。)# 执行流程user_request实现一个计算斐波那契数列的函数并测试其性能# 第一轮生成代码code_executor.initiate_chat(code_writer,messageuser_request)# 第二轮执行代码code_writer.initiate_chat(code_executor,messagef请执行以下代码并返回结果\n{last_code})# 第三轮评审代码code_executor.initiate_chat(code_reviewer,message请评审以下代码\n{final_code})三、CrewAI角色式协作框架3.1 核心概念CrewAI基于团队协作理念强调角色分工和任务流程。核心组件组件说明Agent智能体具有角色、目标和背景故事Task任务具有描述、预期输出和验收标准CrewAgent团队组织多个Agent和TaskProcess流程模式Sequential/Hierarchical3.2 Agent定义fromcrewaiimportAgentfromcrewai_toolsimportSerpApiWrapper,DirectoryReadTool# 创建研究员researcherAgent(role市场研究员,goal深入研究目标市场的最新趋势和竞争格局,backstory你是一个资深的市場分析師在科技行業有10年經驗。 擅長通過各種渠道收集信息並從數據中提煉有價值的洞察。,tools[SerpApiWrapper()],verboseTrue)# 创建作家writerAgent(role内容创作专家,goal将研究洞察转化为高质量的商业报告,backstory你是一个专业的商业作家擅長用清晰的語言表達複雜的概念。 曾為多個知名企業撰寫過行業報告。,verboseTrue)# 创建评审reviewerAgent(role质量评审,goal确保报告内容准确、结构清晰、可读性强,backstory你是一个嚴格的質量把控專家 對內容的準確性和專業性有很高的要求。,verboseTrue)3.3 任务定义fromcrewaiimportTask# 定义研究任务research_taskTask(description收集並分析目標市場的以下信息 1. 市場規模和增長趨勢 2. 主要競爭對手和他們的市場份額 3. 目標客戶群的特徵和需求 4. 行業發展的關鍵驅動因素,expected_output一份結構化的市場研究報告包含數據支持和可視化圖表,agentresearcher)# 定义写作任务writing_taskTask(description基於研究報告撰寫一份商業建議書 1. 執行摘要 2. 市場分析 3. 競爭對手分析 4. 建議和策略,expected_output一份完整的商業建議書文檔,agentwriter,context[research_task]# 依赖研究任务)# 定义评审任务review_taskTask(description評審商業建議書的質量 1. 數據準確性 2. 邏輯結構 3. 建議的可行性,expected_output評審報告和修改建議,agentreviewer,context[writing_task]# 依赖写作任务)3.4 Crew编排fromcrewaiimportCrew,Process# 创建团队crewCrew(agents[researcher,writer,reviewer],tasks[research_task,writing_task,review_task],processProcess.sequential,# 或 Process.hierarchicalverboseTrue)# 启动执行resultcrew.kickoff(inputs{topic:2024年AI芯片市场分析,target_audience:投资机构})print(最终报告:,result)3.5 层级流程# 创建管理者managerAgent(role项目经理,goal协调团队高效完成复杂任务,backstory你是一个经验丰富的项目经理 擅长分解任务、分配资源和协调团队。,verboseTrue)# 创建层级团队hierarchical_crewCrew(agents[manager,researcher,writer,reviewer],tasks[research_task,writing_task,review_task],processProcess.hierarchical,manager_agentmanager,# 指定管理者verboseTrue)resulthierarchical_crew.kickoff(inputs{topic:市场分析})四、LangGraph图式协作框架4.1 核心概念LangGraph是LangChain生态中的多Agent编排框架基于图结构来表达Agent之间的协作关系。核心概念概念说明State共享状态Agent之间传递信息Node节点代表Agent或操作Edge边定义状态流转Graph图完整的Agent系统4.2 基础使用fromlanggraph.graphimportStateGraph,ENDfromtypingimportTypedDict,List# 定义状态classAgentState(TypedDict):messages:List[str]current_agent:strtask_status:strresults:dict# 创建图graphStateGraph(AgentState)# 添加节点Agentgraph.add_node(researcher,research_agent)graph.add_node(writer,writer_agent)graph.add_node(reviewer,reviewer_agent)# 定义边graph.add_edge(researcher,writer)graph.add_edge(writer,reviewer)graph.add_edge(reviewer,END)# 编译图appgraph.compile()4.3 带条件的图fromlanggraph.graphimportStateGraph# 带条件的图graphStateGraph(AgentState)graph.add_node(router,router_agent)graph.add_node(researcher,research_agent)graph.add_node(coder,coder_agent)graph.add_node(writer,writer_agent)# 条件路由函数defroute_to_agent(state:AgentState)-str:task_typestate[task_type]iftask_typeresearch:returnresearchereliftask_typecode:returncoderelse:returnwriter# 添加条件边graph.add_conditional_edges(router,route_to_agent,{researcher:researcher,coder:coder,writer:writer})# 添加后续边graph.add_edge(researcher,END)graph.add_edge(coder,END)graph.add_edge(writer,END)appgraph.compile()4.4 完整示例智能助手系统fromlanggraph.graphimportStateGraph,END,STARTfromlangchain_openaiimportChatOpenAIfromtypingimportAnnotatedimportoperator# 增强状态定义classAssistantState(TypedDict):messages:Annotated[List,operator.add]intentions:List[str]available_tools:List[str]current_task:strtask_results:dict# Agent定义llmChatOpenAI(modelgpt-4)defintent_classifier(state:AssistantState)-AssistantState:意图分类Agentlast_messagestate[messages][-1][content]responsellm.invoke(f分析用户意图{last_message})return{intentions:[response.content],current_task:determine_task(response.content)}defdata_analyst(state:AssistantState)-AssistantState:数据分析Agent# 调用数据分析工具return{task_results:{analysis:数据洞察...}}defcontent_creator(state:AssistantState)-AssistantState:内容创作Agentreturn{task_results:{content:创作内容...}}defroute_intent(state:AssistantState)-str:根据意图路由intentstate[intentions][0]if分析inintent:returnanalystelif创作inintent:returncreatorelse:returngeneral# 构建图graphStateGraph(AssistantState)graph.add_node(intent_classifier,intent_classifier)graph.add_node(analyst,data_analyst)graph.add_node(creator,content_creator)graph.add_edge(START,intent_classifier)graph.add_conditional_edges(intent_classifier,route_intent,{analyst:analyst,creator:creator})graph.add_edge(analyst,END)graph.add_edge(creator,END)appgraph.compile()# 执行resultapp.invoke({messages:[{role:user,content:分析一下最近的销售额趋势}],intentions:[],available_tools:[data_analysis,content_creation],current_task:,task_results:{}})五、框架对比与选择5.1 核心对比维度AutoGenCrewAILangGraph协作模式对话式角色式图式学习曲线中等较低较高灵活性高中高状态管理内置有限强大适用场景代码生成、人机协作内容生产、流程自动化复杂推理、可控流程社区活跃度高高高文档质量中高高5.2 选择建议┌─────────────────────────────────────────────────────────────────┐ │ 框架选择决策树 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ 任务类型 │ │ │ │ │ ├─ 代码生成/调试 │ │ │ └─ AutoGen (内置代码执行) │ │ │ │ │ ├─ 内容生产/数据分析 │ │ │ └─ CrewAI (角色分工清晰) │ │ │ │ │ ├─ 复杂推理/多步骤任务 │ │ │ └─ LangGraph (状态控制强) │ │ │ │ │ ├─ 需要人工介入 │ │ │ └─ AutoGen (UserProxy灵活) │ │ │ │ │ └─ 需要精确控制流程 │ │ └─ LangGraph (图结构可控) │ │ │ └─────────────────────────────────────────────────────────────────┘5.3 性能对比基于100个任务的实测数据指标AutoGenCrewAILangGraph任务完成率92%88%95%平均执行时间45秒38秒52秒Token消耗较高中等较高调试难度中低高六、实战案例智能客服系统6.1 需求分析构建一个多Agent客服系统意图识别Agent订单查询Agent产品咨询Agent投诉处理Agent回复生成Agent6.2 CrewAI实现fromcrewaiimportAgent,Task,Crew,Processfromcrewai_toolsimportCRM search_tool# 定义Agentintent_classifierAgent(role客服主管,goal准确分类客户问题并分配给合适的专员,backstory你是一个经验丰富的客服主管能准确判断客户需求。,verboseTrue)order_specialistAgent(role订单专员,goal快速准确地查询和处理订单相关问题,backstory你是订单专家熟悉订单系统和退换货流程。,tools[CRM_search_tool],verboseTrue)product_specialistAgent(role产品专员,goal提供专业的产品信息和建议,backstory你对产品有深入了解能回答各种产品问题。,verboseTrue)complaint_handlerAgent(role投诉处理专员,goal妥善处理客户投诉维护客户关系,backstory你擅长处理客户投诉能化解矛盾并提供解决方案。,verboseTrue)response_writerAgent(role回复撰写专家,goal生成专业、友好的客服回复,backstory你擅长用恰当的语气撰写客服回复既专业又亲切。,verboseTrue)# 定义任务classify_taskTask(description分析客户消息判断是订单问题、产品咨询还是投诉,agentintent_classifier,expected_output问题类型order/product/complaint)handle_order_taskTask(description处理订单查询或退换货请求,agentorder_specialist,expected_output订单信息和处理结果,context[classify_task])handle_product_taskTask(description回答产品相关问题,agentproduct_specialist,expected_output产品信息和建议,context[classify_task])handle_complaint_taskTask(description处理客户投诉并提出解决方案,agentcomplaint_handler,expected_output投诉处理方案,context[classify_task])write_response_taskTask(description根据处理结果生成最终回复,agentresponse_writer,expected_output最终的客服回复)# 创建团队crewCrew(agents[intent_classifier,order_specialist,product_specialist,complaint_handler,response_writer],tasks[classify_task,handle_order_task,handle_product_task,handle_complaint_task,write_response_task],processProcess.hierarchical,manager_agentintent_classifier)# 执行resultcrew.kickoff(inputs{customer_message:我上周买的那件衣服太大了想换小一号的})七、最佳实践7.1 Agent设计原则# 好的Agent设计good_agentAgent(role角色明确,goal具体可衡量的目标,backstory丰富的背景设定帮助LLM理解角色,verboseTrue,allow_delegationFalse# 避免过度委托)# 避免的设计bad_agentAgent(role助手,# 角色模糊goal帮助用户,# 目标不具体backstory你是一个AI# 背景无意义)7.2 任务定义原则# 好的任务定义good_taskTask(description具体明确的任务描述 1. 输入什么 2. 需要做什么 3. 输出什么格式,expected_output明确的输出格式和验收标准,agentspecific_agent,# 分配给合适的Agentcontext[dependent_task]# 正确设置依赖)# 避免过度拆分bad_taskTask(description做点什么# 描述模糊)7.3 错误处理fromcrewaiimportCrewfromcrewai.tasksimportTaskOutputdefhandle_task_failure(task_output:TaskOutput)-TaskOutput:处理任务失败iftask_output.statusfailed:# 记录失败日志log_error(task_output)# 尝试修复或重试ifcan_retry(task_output):returnretry_task(task_output)else:returnescalate_to_human(task_output)returntask_output crewCrew(agentsagents,taskstasks,processProcess.sequential,task_callbacks[handle_task_failure])八、总结8.1 核心要点AutoGen对话驱动的协作适合代码生成和人机交互CrewAI角色驱动的协作适合内容生产和流程自动化LangGraph图驱动的协作适合复杂推理和精确控制8.2 未来趋势趋势说明框架融合框架之间的界限将越来越模糊自主规划Agent将具备更强的自主规划能力安全治理多Agent系统的安全和隐私问题将更受关注标准协议Agent间通信的标准协议将逐步建立8.3 选型总结场景推荐框架快速原型开发CrewAI生产级复杂系统LangGraph需要人工介入AutoGen代码生成场景AutoGen内容生产流水线CrewAI精确控制的推理任务LangGraph参考文献Wu, Q., et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. Microsoft Research.CrewAI Documentation. (2024). https://docs.crewai.com/LangGraph Documentation. (2024). https://langchain-ai.github.io/langgraph/OpenAI. (2024). GPT-4 Technical Report.