在AI快速发展的浪潮中，单个#智能体（Agent）在面对复杂、流程高度灵活的问题时，显得力不从心。而Multi-Agent Systems（多智能体系统）——一种将“AI变团队”的技术架构，正在为解决这些挑战提供新可能。

在本期「Legal AI Design Lab」专栏文章里，我们尝试让我们探索团队中的两个关键成员，分别聊聊他们对于Multi-Agent的想法：算法工程师科普概念，产品经理分享我们的落地探索，一起拆解Multi-Agent架构的内涵、工具、设计思路。

算法工程师说：用简单的话，带你认识Multi-Agent

Multi-Agent是什么？

从“一个AI干活”到“AI协同团队”

Multi-Agent，全称多智能体系统（Multi-Agent Systems, MAS），指的是由多个拥有自主决策能力的智能体（Agent）构成的系统。这些Agent可能是AI模型、软件模块、自动化工具，每一个都能独立完成特定任务，但它们更强大的能力，在于协作与协调。

你可以把它理解为一个AI组成的“工作小组”，每个Agent像一个职能明确的成员，拥有：

• 角色设定：就像团队中的不同角色，每个agent都有自己的职责和目标。

• 感知能力：能感知周围环境的变化，并做出相应反应。

• 决策能力：能根据自身目标和环境状态，自主地做出行动决策。

• 复杂行为：能执行复杂的任务，例如生成个性化内容，或者进行长期规划。

• 通信能力：在不同的agent之间可以相互通信、共享信息，共同解决问题。

这种结构带来一个显著优势：系统的弹性、智能程度和可拓展性远高于单一模型。在法律领域，这种架构天然契合了合同预审磋商、合规检查等需要“多人协作”的流程。

当前主流Multi-Agent开发框架解析

根据GitHub - awesome-llm-agents1整理的数据，截至2025年4月，以下是当前主流的LLM多智能体框架及核心特色和场景适用性分类：

设计协作：常见的多智能体系统设计模式

一个好的Multi-Agent系统，不只是多个模型堆在一起。模式设计决定了Agent协作的方式，结合#AutoGen 官方指南提到的分类，我们可以将多智能体模式分为如下几种主流结构：

✅ 并发代理（Concurrent Agents）

多个Agent同时处理任务，提升并行效率，适合实时性需求高的场景。

✅ 顺序工作流（Sequential Workflow）

任务按固定顺序传递，适用于内容生产、法律流程化作业。

图源：AutoGen 使用者指南

✅ 群聊模式（Group Chat）

多个Agent围绕一个主题展开对话，由调度器管理发言轮次，常用于创意生成、复杂问答。

图源：AutoGen 使用者指南

✅ 交接模式（Handoffs）

一个Agent完成部分任务后，主动将任务转交给其他Agent。

图源：AutoGen 使用者指南

✅ 混合代理结构（Mixture of Agents）

受前馈神经网络启发的架构设计，由多个Worker Agent（任务处理者）和一个Orchestrator Agent（协调者）组成。系统结构按层级组织，任务从上层逐步传递至下层；协调代理在每一层汇总所有 Worker 的输出，并将整合后的内容派发至下一层；最终层完成后由协调代理输出一个统一、整合后的结果。

✅ 多代理辩论（Multi-Agent Debate）

Agent之间互相挑战观点、修正答案，提升输出质量，适合事实核验、策略生成场景。

✅ 反思机制（Reflection）

Agent先输出答案，再自我检视和修正，用于提升推理严谨度。

图源：AutoGen 使用者指南

产品经理说：这次设计实验，我们想试试看Multi-Agent能做什么

说到底，再厉害的架构如果不能解决问题，也难称好架构。我们本次的探索实验聚焦在一个具体落地场景——合同智能审查任务的规划与分发。

在实际工作中，虽然都叫“合同审查”，但每一次审查的关注点和处理方式，其实千差万别。

比如：

• 合同具体涉及哪些业务内容？

• 这个合作方是初次合作还是老朋友？

• 这份合同是否是我们已有模板？

• 当前这个合作方在途合同的表现情况如何？

• 这类合同我们过去处理过吗？有哪些经验可复用？

这些信息的不同，都会直接影响审查方式的选择。

在海量而复杂的合同信息面前，如何化繁为简，做出快速且准确的处置决策，成为了我们本次设计探索的出发点。

不用点选额外任何按钮，用户只需上传合同文档，将会由规划分发Agent自动判断合同类型、调用最合适的审查路径与对应的审查Agent，以可解释的方式返回结果。

与此同时，我们也引入了Human-in-the-Loop反馈机制：

如果规划分发Agent在分类或任务推荐上出现误差，用户可以直接进行确认与修正。系统会基于反馈不断优化后续的判断逻辑，让规划分发Agent在使用中持续学习和自我提升。

最终目标，是让每一次审查变得更无感、更契合业务场景，真正做到“越用越懂你”的智能协作体验。

结语：Multi-Agent，一个尚未完美但值得期待的未来

今年毫无疑问是“Agent大年”。从年初开始，我们见证了许多有趣的Multi-Agent产品和探索项目，也见证了这一架构带来的潜力。

在这篇文章中，我们分享了Multi-Agent架构的核心特征、主流模式，以及我们的实际应用探索。但也必须坦诚：Multi-Agent绝非万能解法。

这种架构在赋予系统更多自主规划、分发与反思能力的同时，也带来了两方面明显的挑战：

• 错误空间扩大：更多自主决策意味着更高的不确定性；

• 系统调试与优化成本提升：路径不可控、Agent间协作复杂，需要更精细的设计与持续迭代。

如果业务场景本身可以被固定流程良好覆盖，那么引入Multi-Agent系统未必是最佳选择。  但如果需要面对高度多样化、动态变化的复杂任务场景，Multi-Agent则展现出了不可替代的巨大潜力。