多 Agent 系统的核心问题不是“创建多个 LLM”，而是：

如何让多个具有不同职责的 Agent，在共享目标下进行任务分工、通信、协作，并根据环境变化动态调整角色。

可以把它理解成一个“AI团队”。

例如一个机器人云平台：

规划 Agent：负责任务拆解

导航 Agent：负责路径规划视觉 Agent：负责识别

控制 Agent：负责运动控制

诊断 Agent：负责故障分析

它们不是同时乱跑，而是需要一个协作机制。

一、多 Agent 基本架构

典型架构：

                  用户任务

                     |
                     ↓

              Coordinator Agent
              (调度/管理Agent)

                     |
        --------------------------------

        ↓              ↓              ↓

 Planning Agent   Vision Agent   Control Agent

        ↓              ↓              ↓

     Tools          Tools          Tools

                     |
                     ↓

              Environment

其中：

Coordinator Agent（协调者）

类似项目经理：

负责：

理解目标

分配任务

调度 Agent

处理冲突

动态切换

二、Agent之间如何通信？

主要有三种方式。

方式1：中心化通信（最常用）

所有 Agent 通过一个 Manager 通信。

例如：

        User

         |
         ↓

      Manager

   /     |      \

Plan  Vision  Control

消息：

{
 "from":"planner",
 "to":"navigation",
 "task":{
    "goal":"move to room 101"
 }
}

优点：

简单

容易

控制易调试

缺点：

Manager压力大

单点故障

适合：

企业Agent、机器人系统。

方式2：去中心化通信

Agent之间直接交流：

Planner
   |
   |
Vision ---- Control
   |
Navigation

例如：

Vision：

发现障碍物
↓
直接通知Navigation

优点：

灵活

扩展性好

缺点：

协议复杂

容易混乱

适合：

大型Multi-Agent。

方式3：黑板模式（Blackboard）

多个 Agent 共享一个状态空间。

类似：

          Blackboard

              |
 --------------------------------

 |              |                      |

Planner      Vision        Control

例如：

共享状态：

{
 "robot_position":[3,5],
 "battery":20,
 "obstacle":"chair"
}

Agent读取和修改。

类似机器人系统里的：

ROS Topic

Shared Memory

Redis

三、Agent如何分工？

核心是：

Role Definition（角色定义）

每个 Agent 有：

Agent Profile

{
 name:
 capability:
 input:
 output:
 tools:
 constraint:
}

例如：

Navigation Agent：

能力:

路径规划

输入:

地图
目标点

输出:

path

工具:

A*
Dijkstra
ROS navigation

Vision Agent：

能力:

目标检测

输入:

camera image

输出:

object location