AI工程化设计（五）多智能体设计

一、多 Agent 协作机制1. 什么是 Multi-Agent System多 Agent 系统MAS本质是由多个具备自主性、感知能力、决策能力和通信能力的智能体组成的分布式系统。相比单一 LLM不再是“一个大脑解决所有问题”而是“多个角色协作完成复杂任务”2. 技术优势多 Agent 的价值核心在于结构化复杂性✅ 并行与分布式能力多个 Agent 可以同时处理不同子任务大幅提升效率✅ 高鲁棒性单个 Agent 失败不会拖垮整个系统✅ 协作与博弈能力通过协商Negotiation竞争Debate协作Collaboration实现更优决策✅ 模块化架构天然支持扩展替换维护3. 典型应用场景智能客服系统分角色处理数据分析助手规划 / 执行 / 汇总自动化研发代码生成 review企业 AI 助手跨系统协作二、Agent 角色设计一个好的 Agent 系统首先不是写代码而是设计角色1. 基础角色UserProxyAgent用户代理接收用户输入负责与用户交互AssistantAgent执行者负责具体任务执行2. 常见扩展角色在真实系统中通常会拆成更细Planner Agent任务拆解Executor Agent执行任务Tool Agent调用工具Critic Agent评估与反馈Summary Agent结果汇总3. 一个典型流程User → Planner → 多个子Agent → Summary → Output例如用户提问Planner 拆解任务不同 Agent 分别处理Summary 汇总结果输出三、Agent 核心机制1. 协作模式Group Chat群聊模式多个 Agent 轮流发言逐步达成共识 适合复杂推理、头脑风暴Debate辩论机制Agent 之间互相“反驳” 提升决策质量类似 self-consistency2. 通信机制Message Passing基于send()receive()实现异步通信Tool 调用传递Agent A → 调用 → Agent B或工具→ 返回结果Feedback Loop反馈闭环引入 Critic Agent评估输出提出改进建议触发重新执行3. 人在回路Human-in-the-loop关键场景必须引入人工高风险决策财务/法律重要审批四、Agent × RAG × 微调如何组合这是很多人最困惑的部分到底该用 RAG 还是微调还是 Agent我们直接给工程化答案1. 技术选型对比方案成本灵活性适用阶段Prompt RAG低高PoC / MVPTool Calling中高功能扩展微调Full高低成熟业务微调LoRA中中规模化2. 微调的本质⚠️ 很关键的一点微调不是让模型“学知识”而是改变输出风格决策偏好表达方式知识问题 → 用 RAG行为问题 → 用微调3. 最佳实践✅ 初期0 → 1Prompt RAG✅ 中期1 → NAgent Tool Calling✅ 后期规模化RAG Agent LoRA五、轻量微调三剑客在工程实践中更推荐轻量方案1. LoRA特点低成本训练快效果稳定 适合文本生成对话优化2. P-Tuning v2本质可学习的 Prompt 适合小样本任务分类 / NER / 意图识别3. Adapter特点模块化支持多任务切换 适合企业级系统多场景复用4. 如何选择方法数据量模块化典型任务LoRA中-大中生成/对话P-Tuning小低分类/抽取Adapter中-大高多任务系统六、适用场景总结可以直接用这套决策逻辑数据很少1k→ P-Tuning / Prompt要效果 成本平衡→ LoRA多任务 可插拔→ Adapter强知识依赖法律/医疗→ RAG LoRA低延迟场景→ 避免 Adapter七、系统架构设计从单点到体系1. 不要只选一种技术真实系统一定是❌ 单一技术✅ 组合架构2. 推荐架构Modular AI SystemRAG知识Agent决策Tool执行Fine-tuning行为3. 检索架构选择Modular RAG简单业务Graph RAG复杂关系推理4. Agent 组织方式参考企业结构分层Manager → Worker分角色Planner / Executor分团队子Agent群八、可观测性Observability如果你做过 Agent 系统很快会遇到“为什么它这样做”所以必须做1. 日志与追踪推荐工具LangSmithOpenInferenceWeights Biases2. 关键指标正确性Accuracy一致性ConsistencyTool 调用成功率3. Prompt 管理版本控制回滚能力九、安全与合规企业落地必须考虑✅ PII 检测敏感信息过滤✅ Prompt Injection 防御✅ 权限控制不同 Agent 不同工具权限✅ 内容审核十、性能与部署1. 推理优化vLLMKV Cache2. 缓存Redis 相似查询缓存3. 部署Kubernetes FastAPI4. 成本控制Token 监控小模型兜底5. AI 的 CI/CD自动化测试灰度发布十一、稳定性保障非常重要Agent 最大的问题不是能力而是失控1. 防止死循环max_turns 限制重复检测“对话熵”2. Plan-and-Execute避免反复试错先规划再执行3. 可视化调试记录全链路sender → receiver → content → tool_call支持回放Debug十二、总结一套工程化思维最后用一句话总结这一篇Agent 不是“更聪明的模型”而是“更合理的系统结构”。最佳实践路线单模型 → RAG → Agent → 多Agent → 微调 → 工程化体系核心原则用RAG 解决知识问题用Agent 解决复杂流程用微调优化行为用工程化保证稳定性