智能体编排：从单 Agent 到多智能体协作

为什么需要"编排"

单个 Agent 工具一多就容易"迷路"：上下文膨胀、决策质量下降、错误难以定位。编排（Orchestration）把复杂任务拆给多个职责单一的 Agent，由一个"调度者"协调它们的执行顺序与数据流转。

四种经典编排模式

• Plan-and-Execute（规划-执行）：规划 Agent 先拆解任务清单，执行 Agent 逐步完成。适合复杂多步任务，规划一次、执行多次，省 token 且可控；
• Supervisor（主管模式）：主管 Agent 根据当前状态决定"下一步交给谁"，各专家 Agent（检索员/写手/审核员）只管自己的事。最常见的多智能体形态；
• Handoff（交接）：Agent 之间直接移交控制权，像客服转接 —— 适合"售前→售后→投诉"这种流程化场景；
• 流水线（Pipeline）：固定顺序的步骤编排，如"改写查询→检索→生成→审核"。最简单也最常用，本站的 AI 助手就是这种模式。

LangGraph 中的实现

from langgraph.graph import StateGraph, START, END

# 多智能体 = 一张图：节点是 Agent，边是调度规则
graph = StateGraph(AgentState)
graph.add_node("supervisor", supervisor_node)   # 决定下一步给谁
graph.add_node("researcher", researcher_node)   # 检索专家
graph.add_node("writer", writer_node)           # 写作专家

graph.add_edge(START, "supervisor")
graph.add_conditional_edges(
    "supervisor",
    lambda s: s["next"],      # 主管输出：交给谁？
    {"researcher": "researcher", "writer": "writer", "FINISH": END},
)
app = graph.compile()

编排的核心原则

• 单一职责：每个 Agent 的提示词、工具、输出格式只服务一件事；
• 状态显式化：Agent 之间通过结构化状态传递信息，而非把全部历史塞给每个人；
• 可观察：每个节点的输入输出、耗时都应可追踪（trace），否则多智能体调试是噩梦；
• 设置预算：最大迭代轮数、最大 token，防止智能体互相"踢皮球"死循环。

判断标准：先问自己单 Agent + 好提示词能不能解决。能解决就不要上多智能体 —— 编排是复杂度管理手段，不是目的。