多智能体系统。
加上第二个智能体，感觉像招了个队友；但多数时候它只是加了一笔账单和一种新的失败方式。只有当多个独立的模型循环把工作交接给彼此时，一个系统才算得上多智能体——而一个精心构建、配有工具的单智能体（agent），击败一群草率拼凑的智能体的频率，远高于初学者的预期。本篇给你一架协调模式的阶梯、真实的取舍，以及一条关于"何时增加智能体才真正物有所值"的诚实规则。
什么让一个系统成为"多智能体"——以及拓扑阶梯。
先说最常见的困惑：一个调用许多工具的智能体，并不是多智能体系统。一个在智能体循环里运行的单一模型——读取结果、做决策、调用下一个工具——就是一个智能体，无论它能触达多少工具。只有当存在不止一个独立的模型上下文、每个都是自己的循环、有自己的指令与对话历史、并在彼此之间传递工作时，它才成为多智能体。
这个区分把真实系统排成一架协调程度递增的阶梯：
- 带工具的单智能体。基线。一个循环、一个上下文、许多工具。从这里开始。
- 监督者（编排者—工作者）。一个牵头智能体分解任务、把子任务委派给工作者智能体，再合成它们的结果。这是中心辐射式的：工作者向牵头者汇报，彼此之间并不交谈。这是迄今为止最常见的生产模式。
- 网络（"swarm"）。智能体点对点地把控制权交给彼此，没有老板居中协调。更灵活，但要保持可预测要难得多。
- 层级式。监督者之上还有监督者——一棵编排者的树，每个都管理其下的一支团队。适合需要向下分解好几层的大任务。
"更多智能体"是这架阶梯上的一个位置，而不是"更聪明"的同义词。你每往上爬一级，就增加一层协调面——更多消息、更多交接、更多让小误解层层放大的地方。只有当任务确实需要时才往上爬。
角色，以及智能体交谈的三种方式。
这些系统里的智能体扮演角色，但角色是功能性的——由你交给智能体的活儿定义，而非内建于任何模型。反复出现的几种：
- 规划者（planner）——把一个目标分解为子任务。
- 工作者/执行者（worker / executor）——完成某一个子任务。
- 评审者/校验者（critic / verifier）——在别的智能体的输出被信任之前检查其中的错误。
- 路由器（router）——对进来的输入分类，并派发给合适的智能体。
一个智能体可以同时戴上其中好几顶帽子；"规划者"是一顶帽子，而非一个物种。在角色之下，智能体协调的所有方式都归结为仅仅三种通信模式：
- 共享草稿板/黑板——智能体读写一份共同状态，通过它们留在那里的内容间接协调。
- 消息传递——智能体彼此发送离散的消息，就像一支团队在一个聊天频道里。
- 交接（handoff）——一个智能体把控制权连同至此为止的对话一并转交给另一个，由后者从那一点接手。
一个流行的画面是：一群智能体像一队人那样自主地相互交谈。多数生产级多智能体系统完全不是这样——它们是一棵严格的编排者—工作者树，没有对端之间的闲聊，委派关系由人类设计者预先固定。"自主"体现在每个智能体的子任务里，而不体现在谁跟谁交谈上。
取舍——以及为何要从一个智能体开始。
走向多智能体，为你买来三样东西：并行（工作者同时运行）、专门化（每个智能体有自己的工具和系统提示），以及相互隔离的干净上下文（不必把一切塞进单个窗口）。这些是实实在在的收益。你要用三种货币来支付：
- 编排复杂度——总得有人来设计和调试这套分解、委派与合成。
- 错误传播——某个坏掉的子智能体结果会悄悄毒化最终的合成，而牵头智能体往往看不出来。
- token 与成本爆炸——每个智能体都要重新读取上下文、各自思考。Anthropic 报告称，他们的多智能体研究系统消耗的 token 大约是一次普通对话的 15 倍。请把它当作来自某一个团队的真实信号，而非普适常数——但要预期多智能体的成本会是数倍之多。
这正是为什么一个精心设计的单智能体常常胜过一个草率的多智能体系统。把一份活儿拆散到多个智能体上会撕裂上下文——参见上下文工程——而一个智能体给另一个智能体的指令里那些微小的含糊，会层层累积成失败。这条经久不衰的教训，在 Cognition 于 2025 年年中的《Don't Build Multi-Agents》一文中被尖锐地论证、此后被反复呼应，那就是：从一个强大的单智能体开始，只有当它明显应付不来时才动用更多。相关的决策取舍见何时该用智能体。
多智能体真正取胜之处，以及如何构建它。
诚实的分界：
- 当子任务可并行且以读取为主时取胜——例如同时研究许多相互独立的信息源——或当它们需要确实不同的技能、工具或系统提示、且分放在隔离的上下文里更干净时。
- 在紧耦合、相互依赖的工作上落败。编写代码是经典的糟糕场景：改动之间相互依赖、无法干净地并行，把它们拆到多个智能体上，多半只是制造冲突。
还有两件事值得知道。其一，你很少会手工接线这一切——框架如 LangGraph、CrewAI、OpenAI Agents SDK（实验性的 OpenAI Swarm 的生产级继任者）、Microsoft Agent Framework（AutoGen 与 Semantic Kernel 合并而来）以及 Google ADK（Agent Development Kit）都提供了编排原语；它们解决的是管道铺设，而非设计本身。
其二，有两个标准容易混淆。MCP 把一个智能体连到工具和数据（agent↔tool）；A2A（Agent2Agent）把多个智能体连到彼此（agent↔agent）。它们互补，而非竞争。A2A——由 Google 贡献、如今已成为 Linux Foundation 的项目、并在 2026 年达到 v1.0——让一个智能体发布一张 Agent Card，好让别的智能体发现它能做什么。
初学者的经验法则：默认用一个配有好工具的强单智能体。只为那些可并行且相互独立、或需要真正独立专长的工作增加智能体——并在投入前先算清楚 token 账单。
准备深入了？多智能体系统深入解析组覆盖了完整图景：何时（与何时不）采用多智能体、各种拓扑及其成本、实战中的监督者—工作者模式，以及单智能体工具看不见的失败模式。想看 A2A 的线级细节，见智能体间通信与 Agent Card 与发现。