Apollo
全部栏目

多智能体协作

多智能体系统让多个执行者分别承担子任务，再交换和整合结果。它适合相对独立的工作，也会增加交接、同步和核对成本。

返回概念图谱 →

理解与应用

多智能体协作是把任务分配给多个具有各自执行上下文的智能体，再通过消息或共享结果完成整体工作。它们可以使用同一个模型，只是负责不同范围、拥有不同工具或材料。系统因此需要解决任务分配、结果交接和冲突处理，而不仅是给一个提示里的角色起几个名字。

例如制作东西两个地区的销售报告，可以让两个执行者分别核查各自的数据，再由协调者汇总。两边资料相对独立时，这样能同时推进；如果所有计算都依赖同一份频繁修改的表格，分开后反而可能花更多时间同步。合理的分工通常给每个执行者明确输入、产物和修改范围，例如分别返回地区汇总，而不同时改写最终报告。

整合结果也不是把两段回答拼起来。假如东区返回含退款前的销售额，西区返回扣除退款后的净额，两者不能直接相加。协调者需要核对统计期间、单位和口径，必要时让执行者补充缺失数据。最终报告是否回答了用户的问题，仍需要在整体层面检查。

多个执行者提供一致答案，也可能只是共同使用了同一份错误资料。需要独立核验时，证据来源和检查方法的差异比角色数量更重要。并行任务还会产生额外调用与等待，因此要考虑总成本、失败后的收尾以及主任务取消后怎样停止子任务。小而连贯的任务由一个执行者完成，常常更省沟通。

关系速览
A2A 智能体通信协议应用于 →多智能体协作

A2A 可用于不同 Agent 服务间交换消息和任务状态；多 Agent 不强制使用 A2A。

ANP 智能体网络协议应用于 →多智能体协作

ANP 探索开放网络中的发现与身份；应按规范成熟度选择实现，不能假设所有部分已定型。

智能体工作流应用于 →多智能体协作

工作流可以显式分配多个角色，角色数量不能替代清晰的交接契约。

多智能体协作应用于 →多智能体社会模拟

交互角色可以通过多 Agent 建模，但模拟行为不等于真实人群因果证据。

看一次交互：两个地区分别核算，汇总前统一口径

这是人工编写的协作记录，金额为虚构数据。分工使两个地区能够分别核查，但最终正确性还取决于协调者能否识别口径差异；示例没有测量并行速度或模型效果。

以下为教学示意，未连接真实业务系统。

交互示意

协调者：分别核对东区与西区本月数据，返回金额口径和证据。

东区执行者：销售额 120 万元，退款 10 万元，尚未扣除；来源=E-12。
西区执行者：净销售额 90 万元，已经扣除退款；来源=W-08。

协调者检查：两份结果的金额口径不同，不能直接计算 120 + 90。
采用报告约定的净销售额口径：
东区净额 = 120 − 10 = 110 万元。
西区净额 = 90 万元。

示意结果

统一口径后的净销售额为 200 万元。
报告保留 E-12、W-08 和退款调整说明，供读者回查。

常见误区

  • 把“专家”“审稿人”等角色名称当成独立能力或证据，忽略它们可能共享同一错误输入。
  • 让多个执行者同时编辑同一产物，却没有约定修改范围和合并方式，容易相互覆盖。

前置与延伸

建议先读

相关概念

参考与版本

Apollo 原创讲解与教学示例。参考资料用于核对技术定义；核验日不代表资料的发布日期。