- 综合排序
- 最热优先
- 最新优先
- 来自专栏前端达人
第11课：Multi-Agent 实战，并行编排的5种模式
完整示例：1分钟内理解一个陌生项目 我刚接手一个新项目，需要快速了解它的架构。 同时启动5个 Explore Agent 并行扫描： 1.
39110编辑于 2026-04-15 Multi-Agent系统Harness Engineering架构的思考与实践
本文基于agent技术论文，社区agent工程分享，结合笔者近期multi-agent项目实践，提出一套“知识—编排—门控—治理”四层解耦设计、经验沉淀、持续治理的MASHarness设计架构,整理成文 从单agent到多agent，agent工程化难在哪里单agent(singleagent)和多agent(multi-agent)之争一直是学术界和工业界讨论的一个热点话题，但基本都默认一个前提：先从单 在进行四种multi-agent的模式选择时可以参考这个选择依据你面对的主要约束推荐模式多个独立领域，需要并行执行，subagent不需要直接与用户交互Subagents单agent需要大量专业化方向， 团队分布式维护Skills顺序工作流，状态转换，agent全程与用户对话Handoffs独立垂直领域，并行查询多个来源再合成Router然而multi-agent相比单agent最明显的一个问题就是token 所我们可以看到强如opus4.6这样的模型，在使用multi-agent架构完成复杂任务上，也需要投入大量精力在Harness上。
4.1K42编辑于 2026-03-13OpenClaw 多智能体（Multi-Agent）并行协作完全指南【架构】
1.2多Agent的“军团”革命OpenClaw的多Agent架构（Multi-AgentOrchestration）彻底改变了这一现状。 配置：AgentA（架构师）：设计技术栈（HTML/CSS/JSvsReact/Vue），规划文件结构。AgentB（前端开发）：根据架构编写具体的页面代码，追求美观。
1K10编辑于 2026-04-29- 来自专栏架构驿站
Multi-Agent ，知多少？
MAS 提供了一种强大的分布式架构框架，有望彻底克服单一代理系统固有的瓶颈。 在 Multi-Agent 系统架构中，由众多独立自治的智能体代理组成，它们拥有各自独特的领域知识、功能算法和工具资源，可以通过灵活的交互协作，共同完成错综复杂的决策任务。 此外， Multi-Agent 系统具有天然的开放性和可扩展性。当系统面临任务需求的不断扩展和功能的持续迭代时，通过引入新的专门代理就可以无缝扩展和升级整体能力，而无需对现有架构进行大规模的重构改造。 这与单一代理系统由于其封闭集中式设计,每次功能扩展都需要对整体架构做根本性的修改形成鲜明对比。 Multi-Agent 系统参考架构示意图 Multi-Agent 系统凭借其先天的分布式协作、异构智能融合、模块化扩展、容错鲁棒等独特优势，正逐步展现出在诸多传统行业和复杂应用场景中的革命性影响力和巨大变革潜能
2.2K10编辑于 2024-11-01 - 来自专栏有文化的技术人
从单兵作战到群智协作：Multi-agent 架构演进与思考
❝当一个 Agent 不够用时，你需要的不是更强的模型，而是更好的协作架构。❞ 写在前面 大模型时代，单个 Agent 能做的事情越来越多——搜索、写代码、分析数据、调用 API。 多 Agent 架构应运而生。它的核心思想很简单：「让不同的 Agent 各司其职，通过某种协作机制共同完成复杂任务」。 但"协作机制"这四个字背后，藏着大量的设计决策。 本文将从业界主流模式出发，逐层深入到工程实现细节，帮你建立对多 Agent 架构的系统性理解。 回答好这三个问题，你就能为自己的场景选择最合适的架构模式。 这就是多 Agent 架构的本质。❞
50510编辑于 2026-04-09 Multi-Agent多智能体协作系统：架构原理、框架选型与实战指南
Multi-Agent多智能体协作系统：架构原理、框架选型与实战指南当前AI应用开发正经历一次范式转变：从依赖单一模型的多轮对话，转向多个智能体协同工作的Multi-Agent架构。 Multi-Agent架构的核心思路是让多个具备不同专业能力的AI智能体像团队一样分工协作，自动完成复杂任务链。 本文将从架构原理、协议标准、框架选型到生产部署，完整拆解Multi-Agent系统的技术内核。一、什么是Multi-Agent？为什么2026年是爆发元年？ 二、核心技术架构：ReAct + Function Calling + 协议层要搭建Multi-Agent系统，需要先理解三个核心概念：单个Agent怎么工作（ReAct模式）、Agent怎么调用工具（ 技术原理剖析（底层架构、核心算法） 2. 与竞品的对比分析（至少3个维度） 3. 实际应用场景和落地难度评估 4.
11K31编辑于 2026-04-02【Multi-agent实战】教你如何用Multi-agent分析开源Github项目
这篇我们做三件事：把你现有的 Deepfake 实验流程拆成「可以被 Agent 调度」的几个任务节点；用 LangGraph 搭一个 Multi-Agent 工作流：Config → Train → 下一步就是把它们塞进 Multi-Agent 工作流里。 如果你把这套东西写进简历 / 博客，面试官很可能会问：你为什么要用 Multi-Agent / LangGraph，而不是一个脚本搞定？Multi-Agent 带来的真实价值是什么？ 5.2 Multi-Agent 真正带来的东西？流程显式化：Config / Train / Eval / Viz / Report 都是独立节点；修改任意一环不影响其他节点。 统一入口：上层只需要给一段自然语言： “帮我跑一个跨数据集 baseline”Multi-Agent 工作流负责把这段话变成真正的可执行实验计划。
63120编辑于 2025-11-23- 来自专栏老张的求知思考世界
构建多智能体(Multi-Agent)架构的八大原则
所谓的多智能体(Multi-Agent)架构，可以简单理解为多个Agent并行工作，他们之间通过某种通信机制进行沟通协作，以协助人类完成复杂的任务。 无独有偶，最近Anthropic分享了他们构建多智能体(Multi-Agent)系统的最佳实践，核心是八条提示工程与评估原则。 ，其架构模式为编排器-工作器模式，即一个主智能体(Lead Agent)+多个子智能体(Subagents)的架构。 这种架构的优势在于，相比于传统RAG方法的静态搜索，Anthropic的多智能体架构采用了多步骤搜索，动态查找信息并分析结果以输出高质量的答案。 ://metaso.cn/s/1c5dzzB 另外，查找资料时，看到了另一篇讨论Multi-Agent架构的文章，也推荐大家看看。
2.5K11编辑于 2025-07-08 【Multi-agent实战】LangGraph 实现可视化的科研 Multi-Agent实战项目
用 【Multi-agent实战】LangGraph 实现可视化的科研 Multi-Agent实战项目✍ 前言上一篇我们搞了一个「科研 Multi-Agent 小队」：Supervisor 当老板；PaperHunter 这一篇，我们就把上一篇的科研 Multi-Agent —— 迁移到 LangGraph 上，用“图”的方式组织 Agent。 一、为什么要用 LangGraph 来做 Multi-Agent？ 六、面经角度：围绕 LangGraph + Multi-Agent 怎么吹？给你几段可以直接背的回答。Q1：你在项目里是怎么管理 Multi-Agent 的流程的？为什么选 LangGraph？ Q3：如果后续要在这个科研 Multi-Agent 里加入“在线强化学习 / 评分器调整策略”，LangGraph 还能 hold 住吗？ 节点粒度 和 显式图结构 来解决：planning 幻觉；粒度太碎 / 太粗；顺手准备了几个关于 LangGraph + Multi-Agent 的面经回答
1.3K10编辑于 2025-11-22【Multi-Agent实战】如何用 LangChain 打造一个 Multi-Agent 实战项目
【Multi-Agent】一、如何用LangChain打造一个Multi-Agent实战项目这篇就是给已经玩过LangChaintools+Agent的同学看的进阶篇：你已经玩过time/weather 这种自定义工具；也看过AgentType.CHAT_ZERO_SHOT_REACT_DESCRIPTION一路Thought/Action/Observation的DebugLog；但一到Multi-Agent
66210编辑于 2025-12-16【Multi-Agent实战】如何用 LangChain 打造一个 Multi-Agent 实战项目
【Multi-Agent】一、如何用 LangChain 打造一个 Multi-Agent 实战 ✍ 前言 这篇就是给已经玩过 LangChain tools + Agent 的同学看的进阶篇： 你已经玩过 “Multi-Agent 和平时的 Tools 调用有什么本质区别？” 二、本文实战目标 & 架构图 2.1 我们要做的“小系统” 我们还是围绕你熟悉的天气 Demo，只是升级玩法： 用户一句： 「今天北京适合出门跑步吗？要不要带伞？」 2.2 架构图 在实现上，我们会用一个小技巧： 把“子 Agent”本身包装成一个 Tool，再挂给 Supervisor 使用。 Action: weather("北京,2025-11-22")； Observation：2025-11-22 北京 的天气情况为：未知（因为我们字典里没有这天）； Final Answer：用自然语言综合一下
2.8K10编辑于 2025-11-23- 来自专栏企鹅号快讯
VAIN：Attentional Multi-agent Predictive Modeling
VAIN: Attentional Multi-agent Predictive Modeling[J]. arXiv preprint arXiv:1706.06122, 2017.
1.3K70发布于 2018-01-09 - 来自专栏【腾讯云开发者】
一文了解LLM应用架构：从Prompt到Multi-Agent
关注腾讯云开发者，一手技术干货提前解锁 11/6晚7:30鹅厂面对面直播继续！ 接下来，在详细介绍演进过程前，我们可以先了解一下LLM最流行的应用架构Agent的定义，然后，我们再从Agent的诞生中引申出来LLM的架构的演进过程。 01 Agent是什么？ 2.4 Multi-Agent阶段 终于来到最后一个阶段了——Multi-Agent阶段。 3.2.1 设计范式 我们先具体讲一下multi-agent的应用设计范式。整体设计架构图（图源自网络）如下： 左侧部分：是单agent，代理表现出多种内化行为，例如计划、推理和反思。 在单Agent纵向提升有限时，Multi-Agent系列方案通过设置合理的算法架构，能通过水平扩展的方式提高智能，为我们打开了新的思路。
1.9K22编辑于 2025-11-07 - 来自专栏【腾讯云开发者】
Multi-Agent全面爆发！一文详解多智能体核心架构及LangGraph框架
相比传统的线性执行模式，LangGraph 支持条件分支、循环、并行等复杂控制流，能够实现状态持久化、断点续跑、时间旅行、人机协作等高级功能，并提供了多智能体协作、层级架构等多种架构模式。 recursion_limit": 50} # 设置递归限制为50次 ) except GraphRecursionError: print("执行步数超过限制，抛出异常") # 异常处理... 03、Multi-Agent 架构 3.1 多智能体架构概述 对于普通的业务系统，随着需求的迭代，系统的复杂度会变得越来越高，使得维护性和扩展性变得越来越高，经常需要花费大量是时间去定位问题，因此在项目初始阶段架构选择很重要。 Supervisor 架构模仿了企业中“项目经理”的角色。 在实际应用中，架构选择没有绝对的优劣，关键在于与业务场景的深度契合。
5K72编辑于 2025-12-16 - 来自专栏编程一生
系统架构的11条原则
原则三：分治原则 解析： 做架构时不要想着一次性把所有的功能都做好，要拥抱 MVP（Minimal Viable Product），最小可运行版本。 原则五：拥抱变化 解析： 重视架构扩展性和可运维性。无状态的系统的是可扩展的和直接的。任何时候都要考虑这一点，不要搞个不可扩展的，有状态的东东出来。否则，一旦需要改变，成本很高。 如果不能降低人力成本，反而需要更多的人，那么这个架构设计一定是失败的。 稳定性原则 原则八：依赖最简 解释： 依赖原则是去除依赖、弱化依赖、控制依赖。多一个依赖多一分风险。 如果一件事情有可能发生则在生产环境中一定会发生，架构中要做好容错设计。 原则十一：用成熟的技术 解析： 不要给别人的技术当小白鼠，不要因技术本身的问题影响系统的稳定。
73720编辑于 2022-05-06 GraphRAG + Multi-Agent 凭什么登上 Nature？
2026年5月，NatureScientificReports刊出了一篇看起来有点"反常识"的论文——它没有提出新的模型架构，没有刷新benchmarkSOTA，但把GraphRAG+Multi-Agent 这篇文章把这套架构从5层栈到6个自训练LLM的工程账，逐层拆给你看。 ─────────────────────────────────────────────────┘Nature这篇论文的解法不是"再造一个更强的RAG"，而是把检索、推理、协同三件事重新放回一个统一架构里 二、五层架构总览整个平台是一个非常工整的五层栈，每层都有清晰的职责边界：展开代码语言：TXTAI代码解释┌──────────────────────────────────────────────── 六、Layer4：Multi-Agent编排——5个角色，各司其职平台不是一个Agent，而是五个专职Agent协同：展开代码语言：TXTAI代码解释┌──────────────┐│Planner│(
5921编辑于 2026-06-04【Multi-agent】智能科研助手实战项目
从 0 组建你的 AI 科研小队：Multi-Agent 帮你做文献调研 + 实验规划✍ 前言很多科研工作者肯定都吐槽过：「文献太多看不完、实验方案想不清楚、写总结又很痛苦。」 但反过来想：这些事情，其实都可以拆成一堆「标准化的小任务」，非常适合交给 Multi-Agent AI 科研小队 来做。 这篇就带你搞一个科研向 multi-agent 实战项目：场景： 想做一个「CLIP 在伪造检测 / 多模态安全」方向的小综述 + baseline 实验规划；目标： 让一组 Agent 帮你：自动搜集相关论文 于是，我们就可以设计一个 科研 Multi-Agent 小队： PaperHunterAgent：文献猎手 PaperAnalystAgent：论文分析师 ExperimentPlannerAgent： 一、整体架构：Supervisor + 子 Agent先用图把脑子理清楚（脑补一下就行）：ResearchSupervisor（总控）Tool: paper_hunter_tool → 调 PaperHunterAgentTool
90410编辑于 2025-11-22腾讯云智能体开发平台：基于Agentic RAG与Multi-Agent架构加速企业AI业务落地
企业往往拥有海量的结构化与非结构化数据，但在实际业务调用中遭遇以下核心阻碍： 传统搜索架构的精度天花板： 传统的ES（Elasticsearch）搜索依赖关键词匹配，面对复杂语义时精度低、结果不全；同时 构建高确定性的企业级智能体开发与编排引擎 针对上述瓶颈，腾讯云提供了一套包含LLM、RAG、Workflow与Multi-Agent在内的企业级大模型应用开发框架，通过技术解耦降低开发门槛，确保系统稳定性 应用Multi-Agent协同架构（任务解耦执行）： 将复杂任务拆解给多个专业Agent并行处理。支持自由转交、工作流编排转交以及Plan-and-Execute (P&E) 协同模板。 释放AI自动化重塑业务链条的量化价值 通过引入上述智能体架构，企业在多个核心业务场景中实现了可量化的投资回报（ROI）与运营效率跃升。 重构多行业复杂应用场景的实战演练 智能体架构已在各类复杂商业环境中验证了其落地可行性与业务深度： 某头部国际快递企业（高复杂度工单处理）： 面对过程复杂且分支众多的物流场景，企业通过Workflow编排大模型与代码节点
52530编辑于 2026-04-25- 来自专栏闲余说
架构设计 11-可扩展架构之微内核架构
导读：《架构设计》系列为极客时间李运华老师《从0开始学架构》课程笔记。本文为第十一部分。主要介绍了如何面向功能拆分架构，首先介绍了微内核架构的基本架构设计，以及几种常见架构的实现与特点。 关注本公众号 回复 “架构设计” 获取架构设计笔记完整思维导图 基本架构 两类组件 核心系统（core system） 负责和具体业务功能无关的通用功能： 模块加载 模块间通信 插件模块（plug-in 常见架构 OSGi 架构 OSGi 的全称是 Open Services Gateway initiative，本身其实是指 OSGi Alliance。 现在我们谈论 OSGi，已经和嵌入式应用关联不大了，更多是将 OSGi 当作一个微内核的架构模式。 逻辑架构 模块层（Module 层） 模块层实现插件管理功能。 实现 插件管理 规则引擎中的规则就是微内核架构的插件，引擎就是微内核架构的内核。规则可以被引擎加载和执行。 规则引擎架构中，规则一般保存在规则库中，通常使用数据库来存储。
1.2K20编辑于 2022-08-19 - 来自专栏深度学习和计算机视觉
YOLOv11 架构改进 & 常见指令
在之前的 YOLO 版本基础上，YOLO11 在架构和训练上提供了显著的改进。在保持速度的同时提高性能的最重要的架构变化是增加了 C3K2 块、SPFF 模块和 C2PSA 块。 这种结构使得在复杂场景中更精确的检测成为可能，并提高了 YOLOv11 的准确性。 除了这些架构变化，YOLOv11 像 YOLOv8 一样具有多模型能力。 得益于其优化的架构和高效的处理能力，它可以部署在边缘设备、云平台和支持 NVIDIA GPU 的系统上。 由于这些优化和创新，YOLOv11 在实时应用中提供了性能提升。 在 Ultralytics （详见官网：https://docs.ultralytics.com/models/yolo11/）页面上，当他们评估 YOLOv11 与以前版本相比的性能时，他们发表了以下评论 使用 YOLOv11 使用 PyTorch 构建 YOLOv11 模型及其与其他模式的使用简要如下。 步骤 1：首先，我们需要下载 Ultralytics 库。
2.4K10编辑于 2024-10-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号