多 Agent 协作模式

一句话定位：多 Agent 协作解决的是”单个 Agent 在复杂任务上容易顾此失彼”的问题——用职责分工（Supervisor 模式）换取清晰可控，或用交叉校验（辩论模式）换取更高准确性，代价是协调复杂度或成本翻倍。

1. Supervisor 模式

• 结构：一个主 Agent（Supervisor）负责理解总任务、拆解子任务、分派给专职的子 Agent 执行，最后汇总子 Agent 的结果给出最终答案。
• 优点：职责清晰，每个子 Agent 只需专注做好一件事（工具集更小、Prompt 更聚焦），整体流程可控、易调试（能定位是哪个子 Agent 出的问题）。
• 适用场景：任务可以清晰拆解成若干独立子任务（如”查数据 + 分析 + 生成报告”分别交给三个专职 Agent）。

2. 辩论 / 互评模式

• 结构：多个 Agent（通常配置相同或不同的模型/Prompt）各自独立产出答案，再互相审视、质疑、修正对方的答案，经过若干轮迭代收敛到最终答案。
• 优点：通过交叉校验减少单一模型的幻觉与偏见，在需要高事实性的任务上有实测提升。
• 代价：每轮都要多次模型调用，成本和延迟直接翻倍甚至更多；且不保证收敛（可能陷入分歧）。

3. 选型判断依据

• 任务是否可清晰分解 → 可分解、职责边界清楚 → Supervisor 模式；任务是”同一个问题需要多角度校验” → 辩论模式。
• 对准确性的要求 vs 对成本的容忍度 → 准确性要求极高且预算充足 → 辩论模式；追求效率与可控性 → Supervisor 模式。
• 实践中两者也可以组合：Supervisor 分派的某个子任务本身用辩论模式做双重校验。

4. 面试落点

• 能讲清两种模式各自的优缺点和适用边界，避免”多 Agent 一定更好”的笼统结论——多 Agent 的核心成本是协调开销和调用成本，不是免费的能力提升。
• 可迁移话术：Supervisor 模式 ≈ 分布式系统里的”主从架构 + 任务分片”；辩论模式 ≈ 多副本一致性校验（如分布式存储的多副本读一致性检查），本质都是用冗余换正确性/可靠性。

参考：论文《AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation》；论文《Improving Factuality and Reasoning in Language Models through Multiagent Debate》