在AI系统中，单代理设计在处理简单任务时表现良好，但随着任务复杂性和工具数量的增加，其局限性逐渐显现。首先，工具过多会导致AI面临选择困难，尤其是在工具数量超过10个时，AI可能难以快速选择最合适的工具。其次，任务差异大时，单一的系统提示难以覆盖所有场景，导致系统复杂度急剧上升。为了解决这些问题，模块化与专业化成为自然的选择，通过多代理系统将任务分解，每个代理专注于特定领域，从而提升整体效率。此外，不同代理可以使用不同的模型、系统提示和工具，进一步优化任务处理能力。

基于之前的Agent类(参考文章LLM单智能体实战：从工具调用到任务执行的完整指南)，我们可以通过多代理系统来实现任务的分工与协作。以下是一个简单的示例，展示了如何定义两个代理：销售助理和退款代理，并通过消息传递实现任务交接。

任务交接与代理切换

在实际应用中，任务可能需要多个代理协作完成。例如，用户可能先下单，随后又要求退款。通过消息传递机制，可以在同一个消息串中切换代理。以下代码展示了如何通过调用run_full_turn实现代理切换：

代理切换的关键：Handoff机制

为了实现代理之间的无缝切换，关键在于Handoff机制。常见的做法是将代理切换功能封装为一个工具，由AI决定何时调用。例如，销售助理可以在需要时调用transfer_to_refunds函数，将任务交接给退款代理：

核心程序的优化

为了支持代理切换功能，核心程序需要进行相应调整。以下代码展示了如何在run_full_turn_v2中实现代理切换逻辑：

使用方式

恭喜，我们发明了“OpenAI Swarm” 这个多代理框架。

Swarm案例：双层客服

客户支持机器人示例（LangGraph）

Swarm案例：研究报告

让代理自动搜索资料，然后撰写报告。

实际执行

多代理设计关键一：协作方式

网络模式：让每个代理元件决定交接给谁，常见用function calling来实现。

监督者模式：很多多代理框架用这种方式。

 - Phidata 的 team

 - Autogen 的 Group Chat

 - CrewAI 的 Hierarchical

监督者：每轮对话都需要先挑选代理

挑选的提示通常长这样：

多代理设计关键二

代理之间的数据如何共享和传递

在Swarm中，会在function call交接时，自定义要传递哪些上下文变量。

在Swarm示例中，你会看到完整的聊天历史，像是多代理轮流跟你对话，只是代理会换人，因此你和代理都看到了所有聊天历史。

代理之间互相对话会怎样？

也就是聊天历史不共享，每个代理有自己的消息记录。

恭喜，我们发明了“Autogen” 这个多代理对话框架

Autogen

双代理聊天和聊天结果

顺序聊天

群 聊

多代理系统在以下场景中表现出色：

• 客户支持：通过分流代理、销售代理和退款代理的协作，提供高效的客户服务。

• 研究报告生成：通过草稿代理、搜索代理和报告代理的分工，自动完成资料搜索与报告撰写。

• 自动化评估：通过多个代理的协作，完成复杂任务的自动化处理。

多代理系统通过模块化与专业化的设计，有效解决了单代理系统在处理复杂任务时的局限性。通过合理的协作机制和数据共享策略，多代理系统能够显著提升AI系统的效率和灵活性。未来，随着多代理技术的不断发展，其在更多领域的应用潜力将得到进一步挖掘。