构建多智能体协作系统时，如何设计角色分工…

当你需要把复杂任务拆解给多个专业化 Agent 协作完成时，用这套角色定义、编排模式、通信协议与评估方法搭建多智能体系统。

适用场景

解决思路

1. 按五个要素定义每个 Agent：Role（职责，如“财务分析师”）、Goal（要达成的目标）、Expertise（知识/工具）、Tools（可调用的能力）、Context（有效工作所需信息）。
2. 根据任务依赖关系选择编排模式：Sequential（顺序，前一个输出作为后一个输入，如 research→analysis→writing）、Parallel（并行，独立任务同时执行后聚合结果）、Hierarchical（层级，主管 Agent 委派给下属并协调流程）、Consensus-Based（共识，多 Agent 分析、辩论、投票达成一致）、Tool-Mediated（工具中介，通过共享工具/数据库间接协调，直接通信最少）。
3. 按领域组建专家团队并明确每个成员的工具与任务，例如金融团队：Coordinator Agent 下挂 Market Analyst（市场数据 API、财经新闻）、Financial Analyst（财报、比率计算）、Risk Manager（风险模型、情景分析）、Report Writer（文档生成）。
4. 用 CrewAI 实现角色清晰的层级团队：定义 Agent(role, goal, backstory)、Task(description, agent, tools)，再用 Crew(agents, tasks, process=Process.sequential).kickoff(inputs=...) 执行。
5. 用 AutoGen 实现多轮对话与协商：定义 AssistantAgent(name, system_message)，用 GroupChat(agents, messages, max_round, speaker_selection_method="auto") 和 GroupChatManager 管理群聊，由 UserProxyAgent.initiate_chat 发起对话。
6. 用 LangGraph 实现带状态管理的复杂工作流：定义 StateGraph(AgentState)，用 add_node 添加各 Agent 节点，用 add_edge 定义流转顺序，set_entry_point/set_finish_point 设置出入口，compile().invoke() 运行。
7. 用 OpenAI Swarm 实现简单的 Agent 交接：定义 Agent(name, instructions)，编写 handoff 函数（如 route_to_billing 返回目标 Agent），挂到 triage_agent.functions 上，再用 Swarm().run(agent, messages) 执行。
8. 实现顺序任务链：依次调用 research_agent.work(...)、analyst_agent.work(f"Analyze these findings: {research_output}")、writer_agent.work(f"Write report on: {analysis}")，每步基于上一步输出。
9. 实现并行执行：用 asyncio.gather 同时运行多个 agent.work_async(...)，全部完成后调用 synthesize(...) 聚合结果。
10. 实现层级编排：由 manager_agent.orchestrate({...}) 按子任务分组（每组指定 agents 和 task），最后交给 strategy_agent 做综合。
11. 实现辩论与共识：多 Agent 先各自 argue(question)，再针对他人论点 respond(arguments)，最后由 mediator_agent.synthesize_consensus(counter_arguments) 汇总。
12. 选择通信模式：Direct（agent_a.send_message(agent_b, {type, action, ...}) 直接传消息）、Tool-Mediated（shared_memory.write/read 共享内存）、Manager-Based（manager.broadcast 广播给所有 Agent）。
13. Agent 设计遵循：角色目标清晰具体、工具与角色匹配、背景专业、与其他 Agent 有区分度、工作范围合理。
14. 工作流设计遵循：明确任务依赖、标出交接点、Agent 间错误处理、降级/兜底策略、性能监控。
15. 通信设计遵循：结构化消息格式、清晰上下文共享、错误传播策略、超时处理、审计日志。
16. 编排设计遵循：明确流程类型（顺序/并行等）、设定清晰成功标准、监控 Agent 表现、建立反馈回路、保留人工介入点。
17. 应对 Agent 冲突：清晰角色隔离、明确决策规则、共识机制、设置冲突解决 Agent、明确权限层级。
18. 应对执行缓慢：尽量并行、缓存昂贵操作结果、预处理数据、优化 Agent 逻辑、实现超时处理。
19. 应对结果质量差：改进 Agent 提示词/指令、提供更相关工具、集成反馈、加入质量校验 Agent、优化结果聚合策略。
20. 应对工作流复杂：拆分为更小团队、采用层级结构、清晰任务定义、良好状态管理、编写工作流文档。
21. 用团队指标评估：任务完成率、结果质量、执行时间、成本（token/API 调用）、错误率；用 Agent 指标评估：任务成功率、响应质量、工具使用效率、沟通清晰度、协作评分。
22. 进阶技巧：Self-Organizing（Agent 根据任务协商角色与流程）、Adaptive Workflows（按进度动态加 Agent 或插入复核步骤）、Cross-Agent Learning（从 crew.get_execution_trace() 提取模式并 agent.update_knowledge）。
23. 按清单落地：定义角色目标与专长→确定各 Agent 工具→规划工作流→定义通信模式→实现任务定义→设定成功标准→加错误处理与兜底→实现监控日志→测试协作→评估质量与性能→按结果优化→记录工作流与决策。
24. 上手节奏：从 2-3 个 Agent 起步，先写清交互流程，单独与联合测试，密切监控，迭代优化，再逐步扩展 Agent 数量与复杂度。

适用边界 · 注意事项

• 任务简单、单 Agent 或单次 LLM 调用即可完成时，引入多 Agent 只会增加成本与延迟。
• 任务步骤高度耦合、无法清晰拆分角色与职责时，强行拆分会导致通信开销大于收益。
• 无法承担多 Agent 带来的 token/API 成本、且对执行时间敏感的场景。