SUN 单一 LLM 智能体难以应对复杂问题，缺乏多样化专长或工具，成为系统瓶颈，降低效率与可扩展性，难以完成多领域目标。多智能体协作模式通过将复杂问题拆分为可管理子问题，分配给具备专长的智能体，智能体通过顺序交接、并行处理或层级委托等协议协作，实现单一智能体无法完成的目标。
核心思想：专长分工 + 协作通信 —— 多个专精智能体各司其职，通过协议协同完成复杂任务。
适用场景
当任务过于复杂，需拆分为需专长或工具的子任务时，适合采用该模式。适用于多领域、并行处理或多阶段结构化流程，如复杂研究、软件开发、创意内容生成等。
| 场景 | 协作方式 |
|---|---|
| 客户支持升级 | 前线支持智能体处理初步问题，复杂问题升级至专家智能体（如技术或账单专家），体现基于问题复杂度的顺序交接 |
| 供应链优化 | 智能体代表供应链各节点（供应商、制造商、分销商），协作优化库存、物流与排程，应对需求变化或突发事件 |
| 网络分析与修复 | 自治运维场景下，多智能体协作进行故障定位、分级处理与修复，可集成传统机器学习模型与工具 |
通过智能体专长划分与关系精细编排，开发者可构建具备更强模块化、可扩展性和复杂问题处理能力的系统。
智能体关系与通信结构
理解智能体间的交互与通信方式，是设计高效多智能体系统的基础。从最简单的单智能体到复杂的定制协作结构，呈现多样化选择。每种模型有独特优势与挑战，影响系统整体效率、健壮性与适应性。
1. 单智能体
最基础模型，智能体独立运行，无需与其他实体交互，适合可拆分为独立子问题的场景，但能力受限。
2. 网络型
多个智能体以去中心化方式直接交互，点对点通信，信息、资源和任务共享，具备弹性，但通信管理和决策一致性较难。
[A] ←→ [B]
↕ ╲ ↕
[C] ←→ [D]
3. 监督者
专门智能体"监督者"协调下属智能体，负责通信、任务分配和冲突解决，层级结构清晰，易于管理，但存在单点故障和瓶颈风险。
[监督者]
/ | \
[A] [B] [C]
4. 工具型监督者
监督者不直接指挥，而是为其他智能体提供资源、指导或分析支持，赋能而非强制控制，提升灵活性。
5. 层级型
多层监督者结构，高层监督者管理低层监督者，底层为操作智能体，适合复杂问题分层管理，便于扩展和分布式决策。
[总监督者]
/ \
[子监督者A] [子监督者B]
/ \ / \
[A1] [A2] [B1] [B2]
6. 定制型
最灵活模型，针对具体问题或应用定制独特关系与通信结构，可混合前述模型或创新设计，适合优化特定性能、动态环境或领域知识集成。定制模型需深入理解多智能体原理，慎重设计通信协议、协调机制与涌现行为。
综上，多智能体系统的关系与通信模型选择至关重要，应结合任务复杂度、智能体数量、自治需求、健壮性和通信开销等因素权衡。
代码示例
示例 1：CrewAI 实现（5.1多智能体示例_CrewAI.py）
CrewAI 是专为多智能体协作设计的框架。示例展示如何定义一个 AI 协作团队生成 AI 趋势博客：
[研究员] → research_task → [写作者] → writing_task → 博客输出
- 研究员（Agent）：查找并总结 AI 最新趋势
- 写作者（Agent）：根据研究结果撰写 500 字博客
- 任务依赖：
writing_task的context=[research_task]，确保写作基于研究结果 - 顺序执行：
Process.sequential指定研究完成后再写作 - 团队执行：通过
crew.kickoff()启动协作流程
示例 2：ADK 层级结构（5.2多智能体示例_ADK层级结构.py）
演示 Google ADK 中通过父子关系实现层级协作：
[Coordinator]
/ \
[Greeter] [TaskExecutor]
LlmAgent（Greeter）：负责问候BaseAgent（TaskExecutor）：自定义非 LLM 智能体，执行预定义任务，返回"任务成功完成"事件Coordinator：父智能体，通过sub_agents参数建立父子关系，根据请求类型委托给对应子智能体
示例 3：ADK LoopAgent（5.3多智能体示例_ADK_LoopAgent.py）
演示 LoopAgent 实现迭代流程：
LoopAgent (max=10)
├→ [ProcessingStep] → 处理任务，最后一步设 status="completed"
└→ [ConditionChecker] → status=="completed"? → 是: escalate 终止 / 否: 继续循环
ConditionChecker：自定义BaseAgent，检查 session 状态，若status为completed则通过EventActions(escalate=True)终止循环ProcessingStep：LLM 智能体，负责处理任务并在最后一步设置状态LoopAgent：配置max_iterations=10，循环执行直到条件满足或达到最大次数
示例 4：ADK 顺序与并行（5.4多智能体示例_ADK顺序与并行.py）
SequentialAgent 顺序执行：
[Step1_Fetch] → state["data"] → [Step2_Process] → 总结
step1 输出存入 session.state["data"]，step2 分析该数据并给出总结。
ParallelAgent 并行执行：
ParallelAgent
├→ [weather_fetcher] → state["weather_data"]
└→ [news_fetcher] → state["news_data"]
两个 Agent 同时获取天气和新闻，结果存入各自的 state key。
示例 5：ADK 智能体即工具（5.5多智能体示例_ADK智能体即工具.py）
演示"智能体即工具"模式，父智能体通过 AgentTool 调用子智能体：
[Artist 父智能体] → 生成创意提示 → 调用 ImageGen 工具
↓
[ImageGen 子智能体] → generate_image() → 返回图片
image_generator_agent：子智能体，配备generate_image工具函数AgentTool：将子智能体包装为工具，供父智能体调用artist_agent：父智能体，先创造提示，再通过工具生成图片，实现分层协作
关键要点
- 多智能体协作即多个智能体共同实现目标
- 该模式利用专长分工、任务分布与智能体间通信
- 协作形式包括顺序交接、并行处理、辩论或层级结构
- 适用于需多领域专长或多阶段复杂问题
- 通信模型选择（网络型/监督者/层级型/定制型）应结合任务复杂度、智能体数量、健壮性等因素权衡
总结
本章介绍了多智能体协作模式，阐述了多专长智能体协同系统的优势。通过多种协作模型（顺序、并行、层级、智能体即工具），强调该模式在解决复杂、多元问题中的关键作用。理解智能体协作后，下一步将探讨其与外部环境的交互。