参考来源：all-agentic-architectures[1]

---

目录

1. 架构定义
2. 宏观工作流
3. 常见架构模式
4. 主流框架对比
5. 应用场景
6. 优缺点分析
7. 代码实现详解
8. 总结与核心要点

---

1. 架构定义

Multi-Agent System (多智能体系统) 是一种超越单一 Agent 概念的架构，它模拟一个由专业化智能体组成的团队，通过协作来解决复杂问题。

核心理念

特性	描述
分工协作	每个 Agent 拥有独特的角色、人设和技能集，模拟人类专家团队的工作方式
任务分解	复杂问题被分解为子任务，分配给最适合的 Agent 处理
中央协调	通过中央控制器或定义好的工作流协议来管理 Agent 间的通信和任务路由

---

2. 宏观工作流

Multi-Agent System 的工作流程遵循 "分解-分配-协作-综合" 的模式：

详细步骤说明

步骤	名称	描述
1	分解任务	主控制器或用户提供复杂任务
2	角色分配	系统根据定义的角色（如"研究员"、"编码员"、"评论家"、"写手"）将子任务分配给专业 Agent
3	协作执行	Agent 并行或串行执行任务，将输出传递给彼此或传递到中央"黑板"
4	综合输出	最终的"Manager"或"Synthesizer" Agent 收集专家 Agent 的输出，组装最终的综合响应

---

3. 常见架构模式

3.1 Supervisor (监督者) 架构

在监督者架构中，一个中央"监督者"Agent 负责编排多个"子 Agent"或"工作者 Agent"。

工作流程

1. 接收查询：监督者接收用户查询或初始输入
2. 推理与委派：利用 LLM 进行推理，决定将任务委派给哪个专业 Worker Agent
3. 任务执行：Worker Agent 使用特定工具执行分配的任务
4. 反馈与进一步行动：监督者接收输出，决定是否需要进一步委派

3.2 Hierarchical (层次化) 架构

层次化架构扩展了监督者模型，适用于更大、更复杂的系统。

关键特征

特征	描述
分层控制	顶层编排器 → 中层监督者 → 底层专业 Agent
任务分解	高层管理战略规划，低层专注具体执行
专业化	每一层和每个 Agent 可以专注于不同的抽象层次或领域

3.3 高级协作模式

随着深度学习与 Agent 研究的深入，出现了更复杂的协作模式以提升系统的可靠性与推理能力：

模式	描述	适用场景
Multi-Agent Debate (多智能体辩论)	让持不同人设或观点的 Agent 针对同一问题进行辩论。通过多轮“提出-反驳-修正”循环，消除幻觉和偏见。	事实核查、复杂逻辑推理、减少模型幻觉
Reflection (反思/自我修正)	引入“批判者 (Critic)”角色，专门负责检查执行 Agent 的输出，并提出修改建议，形成“执行-评估-修正”闭环。	代码生成、长文本写作、数学解题
Voting / Ensembling (投票共识)	多个 Agent 独立生成答案，通过多数投票 (Majority Vote) 或加权方式决定最终结果，利用群体智慧提升准确率。	高风险决策、开放式问答、提高系统鲁棒性

---

4. 主流框架对比

Multi-Agent 生态日益成熟，三大主流框架各有千秋：

特性	LangGraph	AutoGen	CrewAI
核心机制	图论：基于状态机和有向图，将 Agent 视为图中的节点，Edge 定义流转逻辑。	对话：Agent 之间通过自然语言对话驱动任务进展，模拟人类群聊。	角色：模拟企业团队结构，强调明确的角色定义、层级和任务流。
控制粒度	极高：支持循环、条件分支、中断与状态持久化，适合构建确定性强的逻辑。	中等：侧重于交互模式，流程相对灵活，适合涌现式协作。	中/高：结构化强，封装了大量协同逻辑，适合按部就班的任务链。
适用场景	企业级生产系统、复杂业务流自动化、需要 Human-in-the-loop 的应用。	快速原型验证、开放式问题探索、代码解释器交互、多角色扮演游戏。	内容创作团队、市场分析流水线、无需复杂状态管理的标准作业程序。

---

5. 应用场景

场景	描述	示例
复杂报告生成	需要多领域专业知识的详细报告	财务分析报告、科学研究报告
软件开发流水线	模拟开发团队	程序员 + 代码审查员 + 测试员 + 项目经理
创意头脑风暴	不同"个性"的 Agent 团队	乐观者 + 谨慎者 + 狂野创意者

---

6. 优缺点分析

✅ 优点

优点	说明
专业化与深度	每个 Agent 可以针对特定人设和工具进行调优，在其领域产出更高质量的工作
模块化与可扩展性	可以轻松添加、移除或升级单个 Agent，无需重新设计整个系统
并行性	多个 Agent 可以同时处理其子任务，可能减少总体任务时间
健壮性与错误恢复	层次化分解可以提高对错误和不确定性的健壮性

❌ 缺点

缺点	说明
协调开销	管理 Agent 之间的通信和工作流增加了系统设计的复杂性
成本与延迟增加	运行多个 Agent 涉及更多 LLM 调用，可能比单 Agent 方法更昂贵和缓慢

---

7. 代码实现详解

6.1 环境配置

依赖库安装

pip install -q -U langchain-openai langchain langgraph python-dotenv rich tavily-python pydantic langchain-core

导入依赖并设置密钥

import os
import re
from typing import List, Annotated, TypedDict, Optional
from dotenv import load_dotenv
from tavily import TavilyClient

# LangChain组件
from langchain_openai import ChatOpenAI
from langchain_core.messages import BaseMessage, SystemMessage, HumanMessage
from pydantic import BaseModel, Field
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool

# LangGraph组件
from langgraph.graph import StateGraph, END
from langgraph.graph.message import AnyMessage, add_messages
from langgraph.prebuilt import ToolNode, tools_condition

# 美化输出
from rich.console import Console
from rich.markdown import Markdown

# API密钥和追踪配置
load_dotenv()

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_PROJECT"] = "Agentic Architecture - Multi-Agent (OpenAI)"

for key in ["OPENAI_API_KEY", "LANGCHAIN_API_KEY", "TAVILY_API_KEY"]:
    if not os.environ.get(key):
        print(f"{key} 未找到. 请创建.env文件并配置对应密钥.")

print("环境变量和LangChain追踪配置完成.")

运行结果：

环境变量和LangChain追踪配置完成.

---

6.2 基础对照——单一"通才型" Agent

首先测试单个 Agent 在复杂任务上的表现。

console = Console()

# 定义Agent间通用的状态
class AgentState(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]

# 定义工具和LLM
client = TavilyClient(os.environ["TAVILY_API_KEY"])

@tool
def web_search(query: str) -> str:
    """根据传入的query在网上搜索相关信息"""
    result = client.search(query, max_results=3)
    return str(result["results"])

api_key=os.environ["OPENAI_API_KEY"]
llm = ChatOpenAI(
    model="gpt-5-mini",
    temperature=0.2,
    api_key=api_key,
    base_url="https://api.openai.com/v1"
)

llm_with_tools = llm.bind_tools([web_search])

# 定义单一通才型Agent
def monolithic_agent_node(state: AgentState):
    console.print("--- MONOLITHIC AGENT: Thinking... ---")
    response = llm_with_tools.invoke(state["messages"])
    return {"messages": [response]}

tool_node = ToolNode([web_search])

# 创建为通才型Agent创建ReAct图
mono_graph_builder = StateGraph(AgentState)
mono_graph_builder.add_node("agent", monolithic_agent_node)
mono_graph_builder.add_node("tools", tool_node)
mono_graph_builder.set_entry_point("agent")

# 条件函数
def should_continue(state: AgentState):
    """检查是否需要继续执行工具"""
    messages = state["messages"]
    last_message = messages[-1]
    if hasattr(last_message, 'tool_calls') and last_message.tool_calls:
        return "tools"
    return END

mono_graph_builder.add_conditional_edges("agent", should_continue)
mono_graph_builder.add_edge("tools", "agent")

monolithic_agent_app = mono_graph_builder.compile()
print("单一通才型Agent创建成功.")

运行结果：

单一通才型Agent创建成功.

单一 Agent 架构图

---

6.3 多 Agent 专家组

接下来构建专家团队：新闻分析师、技术分析师和财务分析师。每个都是独立的 Agent 节点，具有特定的人设。最终由报告撰写者担任 Manager，汇编他们的工作。

定义多 Agent 状态

# 多Agent系统的状态会包含每一个专家的输出
class MultiAgentState(TypedDict):
    user_request: str
    news_report: Optional[str]
    technical_report: Optional[str]
    financial_report: Optional[str]
    final_report: Optional[str]

创建专家节点工厂函数

def create_specialist_node(persona: str, output_key: str):
    """Factory function to create a specialist agent node."""
    system_prompt = persona + "\n\nYou have access to a web search tool. Your output MUST be a concise report section in Chinese, formatted in markdown, focusing only on your area of expertise."

    # 构建 ChatPromptTemplate
    prompt_template = ChatPromptTemplate.from_messages([
        ("system", system_prompt),
        ("human", "{user_request}")
    ])

    # 使用 prompt_template 格式化输入
    agent = prompt_template | llm_with_tools

    def specialist_node(state: MultiAgentState):
        console.print(f"--- CALLING {output_key.replace('_report','').upper()} ANALYST ---")
        result = agent.invoke({"user_request": state["user_request"]})
        content = result.content if result.content else f"No direct content, tool calls: {result.tool_calls}"
        return {output_key: content}

    return specialist_node

创建专家节点

# 创建专家节点
news_analyst_node = create_specialist_node(
    "You are an expert News Analyst. Your specialty is scouring the web for the latest news, articles, and social media sentiment about a company.",
    "news_report"
)
technical_analyst_node = create_specialist_node(
    "You are an expert Technical Analyst. You specialize in analyzing stock price charts, trends, and technical indicators.",
    "technical_report"
)
financial_analyst_node = create_specialist_node(
    "You are an expert Financial Analyst. You specialize in interpreting financial statements and performance metrics.",
    "financial_report"
)

创建报告撰写节点

def report_writer_node(state: MultiAgentState):
    """The manager agent that synthesizes the specialist reports."""
    console.print("--- CALLING REPORT WRITER ---")
    prompt = f"""You are an expert financial editor. Your task is to combine the following specialist reports into a single, professional, and cohesive market analysis report in Chinese. Add a brief introductory and concluding paragraph.

    News & Sentiment Report:
    {state['news_report']}

    Technical Analysis Report:
    {state['technical_report']}

    Financial Performance Report:
    {state['financial_report']}
    """
    final_report = llm.invoke(prompt).content
    return {"final_report": final_report}

print("专家节点以及报告撰写节点已定义...")

运行结果：

专家节点以及报告撰写节点已定义...

---

6.4 构建多 Agent 图

multi_agent_graph_builder = StateGraph(MultiAgentState)

# 加入所有节点
multi_agent_graph_builder.add_node("news_analyst", news_analyst_node)
multi_agent_graph_builder.add_node("technical_analyst", technical_analyst_node)
multi_agent_graph_builder.add_node("financial_analyst", financial_analyst_node)
multi_agent_graph_builder.add_node("report_writer", report_writer_node)

# 定义工作流
multi_agent_graph_builder.set_entry_point("news_analyst")
multi_agent_graph_builder.add_edge("news_analyst", "technical_analyst")
multi_agent_graph_builder.add_edge("technical_analyst", "financial_analyst")
multi_agent_graph_builder.add_edge("financial_analyst", "report_writer")
multi_agent_graph_builder.add_edge("report_writer", END)

multi_agent_app = multi_agent_graph_builder.compile()
print("多Agent专家组创建成功.")

运行结果：

多Agent专家组创建成功.

多 Agent 架构图

[!NOTE]
专家 Agent 按顺序工作（在实际应用中可以并行运行），最终步骤始终是报告撰写者进行综合。

---

7.1 测试通才型 Agent

company = "Zhipu AI"
monolithic_query = f"Create a brief but comprehensive market analysis report for {company} in Chinese. The report should include three sections: 1. A summary of recent news and market sentiment. 2. A basic technical analysis of the stock's price trend. 3. A look at the company's recent financial performance."

console.print(f"[bold yellow]Testing MONOLITHIC agent on a multi-faceted task:[/bold yellow]\n'{monolithic_query}'\n")

final_mono_output = monolithic_agent_app.invoke({
    "messages": [
        SystemMessage(content="You are a single, expert financial analyst. You must create a comprehensive report covering all aspects of the user's request in Chinese."),
        HumanMessage(content=monolithic_query)
    ]
})

console.print("\n--- [bold red]Final Report from Monolithic Agent[/bold red] ---")
console.print(Markdown(final_mono_output['messages'][-1].content))

运行过程：

Testing MONOLITHIC agent on a multi-faceted task:
'Create a brief but comprehensive market analysis report for Zhipu AI in Chinese...'

--- MONOLITHIC AGENT: Thinking... ---
--- MONOLITHIC AGENT: Thinking... ---
--- MONOLITHIC AGENT: Thinking... ---

--- Final Report from Monolithic Agent ---

7.2 测试多 Agent 专家组

multi_agent_query = f"Create a brief but comprehensive market analysis report for {company}."
initial_multi_agent_input = {"user_request": multi_agent_query}

console.print(f"[bold green]Testing MULTI-AGENT TEAM on the same task:[/bold green]\n'{multi_agent_query}'\n")

final_multi_agent_output = multi_agent_app.invoke(initial_multi_agent_input)

console.print("\n--- [bold green]Final Report from Multi-Agent Team[/bold green] ---")
console.print(Markdown(final_multi_agent_output['final_report']))

运行过程：

Testing MULTI-AGENT TEAM on the same task:
'Create a brief but comprehensive market analysis report for Zhipu AI.'

--- CALLING NEWS ANALYST ---
--- CALLING TECHNICAL ANALYST ---
--- CALLING FINANCIAL ANALYST ---
--- CALLING REPORT WRITER ---

--- Final Report from Multi-Agent Team ---

7.3 输出对比分析

通才型 Agent 输出特点

问题	描述
结构模糊	各部分可能混合在一起，缺乏清晰的标题或专业格式
分析肤浅	试图同时成为三个领域的专家，每个领域只能提供概述
语言通用	语言可能过于泛化，缺乏每个领域真正专家的特定术语和焦点

多 Agent 专家组输出特点

优势	描述
高度结构化	每个分析领域都有清晰、独立的部分，因为每个部分都是由具有特定格式指令的专家生成
更深入分析	每个部分包含更详细的、特定领域的语言和见解
更专业	由报告撰写者组装的最终报告读起来像专业文档，有清晰的引言、正文和结论

---

7.4 量化评估

class ReportEvaluation(BaseModel):
    """Schema for evaluating a financial report."""
    clarity_and_structure_score: int = Field(description="Score 1-10 on the report's organization, structure, and clarity in Chinese.")
    analytical_depth_score: int = Field(description="Score 1-10 on the depth and quality of the analysis in each section in Chinese.")
    completeness_score: int = Field(description="Score 1-10 on how well the report addressed all parts of the user's request in Chinese.")
    justification: str = Field(description="A brief justification for the scores in Chinese.")

judge_llm = llm.with_structured_output(ReportEvaluation)

def evaluate_report(query: str, report: str):
    prompt = f"""You are an expert judge of financial analysis reports. Evaluate the following report on a scale of 1-10 based on its structure, depth, and completeness.

    **Original User Request:**
    {query}

    **Report to Evaluate:**\n
    {report}
    """
    return judge_llm.invoke(prompt)

评估结果对比

评估维度	通才型 Agent	多 Agent 专家组
结构清晰度	9	9
分析深度	6	8
完整性	7	8

通才型 Agent 评估反馈：

优点：报告结构清晰，按用户要求分为三大部分并附结论与监控要点，语言简洁、要点明确。

不足：分析深度偏概括性，技术面缺乏具体量化指标（如 RSI、均线数值、成交量变化的具体数据或图示）、缺乏时间序列或回测支撑；财务部分依赖媒体汇总，缺少经审计的关键财务数据。

多 Agent 专家组评估反馈：

报告整体结构清晰、条理分明（引言、舆情、技术面、财务与商业模式、风险、催化剂、结论与免责声明），语言简练，便于不同类型投资者快速抓取要点。

分析深度较好：既覆盖了舆情与技术面（含具体可套用的技术指标），又讨论了商业化路径、成本结构、现金/融资敏感性与关键风险，提供了可操作的观察清单与投资者分层建议。

[!IMPORTANT]
评估结果证明了假设：多 Agent 团队的报告在分析深度和完整性方面得分明显更高。这证实了对于可分解为多个专业领域的复杂任务，Multi-Agent 架构是生成高质量、结构化和可靠结果的更优方法。

---

8. 总结与核心要点

🎓 核心成果

通过创建一个由专业化 Agent 组成的团队（每个都有专注的人设和角色）以及一个 Manager 来综合他们的工作，产生了一个质量明显更高的最终输出。

专业化的力量

关键点	说明
专业化分工	正如人类组织一样，将大问题分解并将各部分分配给专家会产生更好的结果
协调复杂性	虽然这种架构在编排方面引入了更多复杂性，但最终输出的结构、深度和专业性的显著改进使其成为不可或缺的模式
适用场景	任何需要跨多个领域提供专家级表现的严肃 Agentic 应用

关键代码速查表

组件	代码
多 Agent 状态	class MultiAgentState(TypedDict)
专家节点工厂	create_specialist_node(persona, output_key)
创建图	StateGraph(MultiAgentState)
添加节点	graph_builder.add_node("name", node_func)
定义流程	graph_builder.add_edge("from", "to")
编译运行	graph_builder.compile()

架构选择指南

场景	推荐架构
简单任务，单一领域	单一 Agent (ReAct)
中等复杂度，需要协调	Supervisor 架构
高复杂度，多团队协作	Hierarchical 架构
需要独立并行处理的多领域任务	并行 Multi-Agent

---

参考链接

[1] all-agentic-architectures: https://github.com/FareedKhan-dev/all-agentic-architectures/tree/main