· Agent 工程 ·阅读时长约 3 分钟

主流 Multi-Agent 架构

Multi-Agent 架构可以从协作拓扑、控制方式和代表框架三个维度来梳理。

Multi-Agent协作拓扑Supervisor架构模式

所属专题：Agent 开发实践 (agent-dev·03)

主流 Multi-Agent 架构

Multi-Agent 架构可以从协作拓扑、控制方式和代表框架三个维度来梳理。

一、按拓扑结构划分

1. Single Orchestrator / Supervisor（中心化调度）

一个主 agent（planner / orchestrator）负责拆解任务、调度子 agent、汇总结果。

  • 代表：LangGraph Supervisor、OpenAI Swarm、Anthropic 的 orchestrator-worker 模式（Claude Code、Claude Research 都采用这种）
  • 优点：可控、可观测、易调试
  • 缺点：主 agent 是瓶颈，扩展性受限

2. Hierarchical（分层 / 树状）

Supervisor 之下还有 sub-supervisor，形成多层树。适合任务域较宽、需要分领域专家的场景。

  • 代表：LangGraph Hierarchical Teams、MetaGPT（模拟软件公司的 CEO → PM → Dev → QA 层级）
  • 适用：大型任务分解、多领域协作

3. Peer-to-Peer / Network（去中心化网状）

Agent 之间可以自由通信、互相委派，没有固定主从关系。

  • 代表：AutoGen 的 GroupChat、CAMEL 的 role-playing、CrewAI 的 hierarchical=false 模式
  • 优点：灵活、涌现性强
  • 缺点：容易失控、成本高、难调试

4. Pipeline / Sequential（流水线）

固定顺序执行，A → B → C，每个 agent 专注一个阶段。

  • 适用：确定性工作流（数据处理、代码审查流水线、内容生成流水线）

5. Blackboard（黑板模式）

Agent 不直接通信，通过共享内存 / 状态读写协作。

  • 代表：LangGraph 的 state graph、部分 RAG-agent 系统
  • 特点：解耦性好，状态可追溯

二、按控制方式划分

控制方式说明代表
静态工作流（Graph-based）节点和边预定义，agent 只在节点内决策LangGraph、Dify、Coze
动态调度（LLM-driven routing）由 LLM 决定下一个交给谁，图在运行时生成AutoGen、Swarm
Actor / Message-passing借鉴 actor model，用异步消息队列解耦AutoGen v0.4、Agno

三、代表性开源框架对照

框架典型架构特点
LangGraphGraph + Supervisor状态机式，可观测性强，生产常用
AutoGen (Microsoft)GroupChat / Actor对话驱动，v0.4 转向 actor model
CrewAIRole-based crew强调”角色 + 任务”，上手快
OpenAI Swarm / Agents SDKHandoff-based轻量，靠 handoff 在 agent 间传递控制
MetaGPT分层 SOP模拟软件公司流程
CAMELRole-playing 双人对话学术起源，研究 agent 涌现行为
Anthropic Orchestrator-Worker中心化 + 并行子 agentClaude Research / Code 的模式，强调隔离上下文

四、近年趋势

  1. 上下文隔离 + 并行子 agent（Anthropic 力推） 主 agent 只看摘要，子 agent 各自独立 context，避免污染，是当前 Claude Code / Claude Research 的核心思路。

  2. A2A / MCP 等协议标准化 跨框架 agent 互操作：Google 的 A2A（Agent-to-Agent）、Anthropic 的 MCP（Model Context Protocol）。

  3. Graph + LLM router 混合 静态骨架保证可控，动态路由保留灵活性，是目前生产系统的主流折中方案。

  4. 从”多 agent 对话”回归”orchestrator + 隔离 worker” 早期 AutoGen 式的多 agent 群聊在生产中被证明成本高、难控，越来越多团队回到中心化调度 + 隔离 subagent 的模式。

五、选型建议

场景推荐架构
确定性业务工作流Pipeline / Graph-based（LangGraph、Dify）
代码 / 研究类深度任务Orchestrator-Worker（Claude Code 风格）
多领域专家协作Hierarchical（MetaGPT、LangGraph Teams）
探索性 / 涌现行为研究Peer-to-Peer（AutoGen、CAMEL）
快速搭建 DemoCrewAI、Swarm

评论