单 Agent 与多 Agent 架构对比及选型指南

二、通俗理解：从'一人公司'到'集团作战'

单 Agent 就像'一人公司'。业务简单时效率高，但业务暴涨后容易'大脑过载'，出现上下文爆炸和语义丢失。

多 Agent 则是'集团公司'。组建专业团队，各司其职，沟通协作。即使某个 Agent 出问题，其他也能补位，保证正常运转。

三、应用场景

3.1 单 Agent 场景

做一顿简单的家常便饭。任务目标明确，步骤简单，不需要太多复杂协调。例如：查天气、设置闹钟、翻译一句话。

3.2 多 Agent 场景

举办一场盛大的家庭聚餐。任务复杂，涉及采购、烹饪、服务等多个环节，需要专业分工。例如：软件开发、科学研究、市场营销活动策划。

四、企业级项目实战代码：用 Python 搭建 AI'梦之队'

我们以 LangGraph 为例，展示经典的**主管模式（Supervisor Pattern）**的多 Agent 系统。包含 Planner（规划师）、Coder（程序员）、Reviewer（审查员）三个 Agent。

4.1 环境准备

pip install langchain langchain-openai langgraph 

4.2 定义 Agent 和工具

from langchain_openai import ChatOpenAI 
from langchain_core.messages import HumanMessage 
from langgraph.graph import StateGraph, END 

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0) 

class BaseAgent:
    def __init__(self, name, system_message):
        self.name = name
        self.llm = llm.with_config(run_name=name)
        self.system_message = system_message

    def invoke(self, state):
        messages = [("system", self.system_message)]
        messages.extend(state["messages"])
        response = self.llm.invoke(messages)
        return {"messages": [response]} 

planner_agent = BaseAgent(
 "Planner", "你是一个优秀的规划师。你的任务是根据用户需求，将复杂的任务分解为清晰、可执行的编程步骤。请输出一个步骤列表。"
 ) 
coder_agent = BaseAgent(
 "Coder", "你是一个经验丰富的 Python 程序员。你的任务是根据规划师提供的步骤，编写高质量的 Python 代码。请只输出代码，并用```python ```包裹。"
 ) 
reviewer_agent = BaseAgent(
 "Reviewer", "你是一个严谨的代码审查员。你的任务是检查程序员编写的 Python 代码，找出潜在的错误、不规范之处，并提出改进建议。如果代码完美，请回复'代码审查通过'。"
 ) 

class AgentState(dict):
    messages: list
    next: str 

4.3 构建主管模式工作流

def supervisor_node(state: AgentState):
    last_message = state["messages"][-1].content

    if "代码审查通过" in last_message:
        return "end"
    elif "步骤列表" in last_message:
        return "coder"
    elif "Python 代码" in last_message:
        return "reviewer"
    else:
        return "planner" 

workflow = StateGraph(AgentState)
workflow.add_node("planner", planner_agent.invoke)
workflow.add_node("coder", coder_agent.invoke)
workflow.add_node("reviewer", reviewer_agent.invoke)
workflow.set_entry_point("planner")
workflow.add_edge("planner", "coder")
workflow.add_edge("coder", "reviewer")
workflow.add_edge("reviewer", "supervisor")

workflow.add_conditional_edges(
 "supervisor", supervisor_node, {
 "planner": "planner",
 "coder": "coder",
 "reviewer": "reviewer",
 "end": END
 },
)

app = workflow.compile() 

4.4 运行你的 AI'梦之队'

initial_message = HumanMessage(content="请帮我编写一个 Python 函数，计算斐波那契数列的第 n 项。")
full_conversation = [] 

for s in app.stream({"messages": [initial_message], "next": "planner"}):
    if "__end__" not in s:
        node_name = list(s.keys())[0]
        message_content = s[node_name]["messages"][-1].content
        print(f"--- {node_name} Agent ---")
        print(message_content)
        full_conversation.append(f"--- {node_name} Agent ---\n{message_content}")
    else:
        print("--- 任务完成 ---")
        full_conversation.append("--- 任务完成 ---") 

五、总结与选择

• 单 Agent 系统：适合简单、直接、上下文不复杂的任务，轻巧高效。
• 多 Agent 系统：适合复杂、多阶段、需要专业分工和高鲁棒性的任务，协同作战。

在实际项目中，可以结合两者优点，构建混合架构。选择哪种架构，关键在于理解任务需求、资源限制以及对系统可扩展性和鲁棒性的要求。