- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术汇总专栏
面向 LLM Agent 的组织模型设计：多 Agent 协同的新范式
面向LLMAgent的组织模型设计：多Agent协同的新范式一、引言：为什么多Agent系统需要“组织模型”随着人工智能系统从“单智能体”向“群体智能”演进，多Agent系统（Multi-AgentSystem 二、多Agent组织模型的核心要素一个完整的MAS组织模型通常包含以下三个关键维度：角色分配（RoleAssignment）权限管理（Authority&PermissionControl）任务协同策略 五、任务协同策略：让Agent“高效合作”而非“各自为战”5.1任务协同的挑战多Agent协作通常面临以下问题：任务依赖关系复杂资源竞争与冲突通信成本过高因此，合理的任务协同策略是MAS成功落地的关键。 5.2常见协同模式集中式协同由中央协调Agent统一调度易管理，但存在单点瓶颈分布式协同Agent自主协商（如ContractNetProtocol）可扩展性强，但实现复杂混合式协同高层集中决策，底层分布式执行工业级系统常用方案 、总结：组织模型是多Agent系统工程化的核心在多Agent系统中，组织模型并非理论附属品，而是工程落地的关键设计层：角色分配解决“谁来做什么”权限管理解决“谁能决定什么”任务协同策略解决“如何高效一起做
32210编辑于 2026-01-12 - 来自专栏山行AI
多AI Agent代理：使用LangGraph和LangChain创建多代理工作流
LangGraph 框架也可以用来创建多代理工作流。就像在自我反思的 AI 代理中一样，LLM 可以扮演多个角色，每个角色都充当一个不同的 AI 代理。这就是多代理的概念。 使用LangGraph进行多代理工作流 LangGraph非常适合创建多代理工作流，因为它允许将两个或更多代理连接成一个图。每个代理都是一个独立的行动者，代理之间的连接由边缘表示。 我们现在将创建一个多代理工作流，用于生成过去五年马来西亚GDP的图表。 我们现在准备好调用多代理工作流程了。 您已经创建了一个多代理工作流。现在，您正朝着创建多个AI代理共同完成复杂任务的方向前进。
9.1K23编辑于 2024-06-06 - 来自专栏技术汇总专栏
多 Agent 视角下的自动驾驶系统设计：车端 Agent 与 RSU Agent 协同机制解析
多Agent视角下的自动驾驶系统设计：车端Agent与RSUAgent协同机制解析一、引言：为什么自动驾驶需要协作式Agent在传统自动驾驶系统中，车辆往往被设计为高度自治的单体智能体：依赖车载传感器（ 设计1.路侧Agent的核心职责路侧Agent通常部署在路口、匝道、高风险路段，具备以下能力：多车状态汇聚（Multi-VehicleFusion）全局交通态势评估冲突检测与协同决策策略广播或定向下发2 五、车端Agent与路侧Agent的交互逻辑1.信息交互流程典型交互流程如下：车端→路侧上报位置、速度、意图（如转向、变道）路侧→路侧（可选）多RSU协同，形成更大范围态势路侧→车端下发交通状态、冲突预警 通过将实时控制与安全兜底职责下沉至车端Agent，同时由路侧Agent承担全局态势感知与协同决策功能，系统能够在复杂、多车交互环境中实现更高水平的安全性与通行效率。 该设计不仅符合自动驾驶工程落地对可靠性与可扩展性的要求，也为后续引入多Agent强化学习、博弈论协同决策等高级方法奠定了清晰、可演进的系统基础。
33210编辑于 2026-01-12 - 来自专栏架构驿站
基于 Rowboat 快速构建多智能体（Multi-Agent）工作流
在 AI 驱动的自动化浪潮中，多智能体（Multi-Agent）系统正成为企业实现高效协作和智能化转型的关键。 然而，构建一个多智能体工作流往往需要复杂的开发流程和高昂的成本，让许多团队望而却步。 作为一款革命性的 AI 工具，Rowboat 旨在帮助用户快速构建多智能体（Multi-Agent）工作流，轻松实现复杂的自动化任务。 Rowboat 的 Copilot 将迅速分析需求，自动生成一个多智能体工作流： 1、配送状态代理（Agent 1）：通过 API 调用实时查询物流系统，返回配送状态（如“已送达”或“配送中” 2、API 集成： 使用 HTTP API 调用 Rowboat 的端点，触发多智能体工作流。
89010编辑于 2025-04-28 AI Agent 自动复现 CV 论文｜Stanford 多 Agent 工作流让大规模复现成为可能
Agent 协作的自动化可复现性工作流。 人类研究者定义“诊断模板”——评什么、怎么评、什么算通过；AI Agent 只负责执行：获取材料、重建环境、运行代码、提取结果。标准是人定的，执行是机器做的。多 Agent 模块化流水线。 而这恰恰是多 Agent 自动化工作流最擅长解决的问题。 CV 专用的多 Agent 复现流水线受原论文启发，我尝试将七阶段 Agent 架构映射到 CV 场景，思考每个 Agent 在视觉任务中应该承担什么角色： CV 论文 PDF 输入 ↓① Profiler 总结多 Agent 自动化工作流的核心思想可以概括为四条：人定标准，机器执行 —— 诊断模板由人类专家设计，AI 只负责标准化执行模块化 Agent 流水线 —— 多个独立 Agent 各司其职，互不耦合
27410编辑于 2026-03-05- 来自专栏MixLab科技+设计实验室
Agent Team，从零构建 Claude Code Agent 工作流
「我想构建一个自己的 Agent。」 这些都是美好的愿望。但从「想」到「做」，中间隔着的，是如何设计一个真正可用的工作流。 今天，用三个步骤，介绍从 0 构建一个 Claude Code Agent 工作流的方法。 一、设计阶段：定义你的「AI 军团」 一个好的 Agent 工作流，始于角色定义。 典型的角色设计包括： UI Agent：负责前端界面 API Agent：负责后端逻辑 Database Agent：负责数据层 QA Agent：负责测试和验证 Docs Agent：负责文档维护 这和软件工程的单一职责原则一脉相承 提交 PR 步骤 3 - 自动化： 配置 GitHub Actions 触发 Agent 自动运行文档更新流程 人类审批后合并 这就是一个完整的 Agent 工作流：从设计到配置到自动化。 四、致最先触达未来的那一小部分人 构建 Agent 工作流，本质上是在设计一个AI 组织的治理结构。 设计阶段：定义角色和职责 配置阶段：建立通信和权限机制 自动化阶段：让系统自主运行 这不是写代码。
47530编辑于 2026-03-25 agent多模态学习
二、多模态 Agent 的整体架构 一个完整的多模态 Agent 系统通常包含以下层次，其数据流如下： 用户多模态输入 → 多模态感知层 → 意图理解与规划层 → Agent 协作层 → 工具/环境交互层 五、多 Agent 协作与角色设计 5.1 为什么需要多 Agent 协作 当任务极其复杂时，单个 Agent 可能面临上下文过长、职责过重等问题。 5.3 Agent 角色划分与职责设计 一个典型的电商多模态客服系统中，可以划分如下角色： 感知 Agent：负责处理图片、语音等多模态输入，输出文本描述。 8.2 系统架构设计 采用“多 Agent + 多模态感知 + 工具调用”的架构，主要模块包括： 多模态感知模块：处理用户上传的图片和输入的文字。 多 Agent 协作框架：更成熟的多 Agent 协作模式和平台将涌现，降低开发门槛。 世界模型 (World Model)：Agent 将构建对环境的内部“世界模型”，用于更长期的规划和仿真。
42810编辑于 2026-01-15- 来自专栏GoCoding
AI 编程工作流与协同范式
回答：你正在实践的是目前最前沿的AI协同编程范式！ 这种“主编程模型+辅助审查模型”的组合，实际上是一种多智能体协同工作流，非常有远见。一问：AI 怎么用好？ 你正在实践的是目前最前沿的AI协同编程范式！ 这种“主编程模型+辅助审查模型”的组合，实际上是一种多智能体协同工作流，非常有远见。让我来分析这种实践的价值和优化方向。 你的多AI工作流分析当前架构：Gemini (主编程) → 代码生成 → DeepSeek (代码审查) → 最终产出 ↑ 代码质量问题不符合规范处重构建议尝试更多模型组合GPT-4 Turbo作为架构师Claude-3作为需求分析师Gemini作为程序员DeepSeek作为审查员结论你正在实践的多AI模型协同编程是非常先进的模式 ，它：超越了单一模型的限制：通过分工协作实现1+1>2的效果模拟了真实开发流程：创作与审查分离，专业化分工为AI团队协作奠定了基础：展示了多个AI如何协同完成复杂任务这种模式最像MCP中的多Server
23110编辑于 2026-03-14 - 来自专栏AgenticAI
LLM Agent提效揭秘4:多智能体协作工作流深度剖析
在此之前，我们已经从论文到代码深度解读了大语言模型4种Agent 工作流的三种：反思、工具使用和规划。今天我们将深入最后一种Agent工作流：多智能体协作工作流。 而在人工智能的疆域内，这一原理亦被赋予了新的生命——通过多智能体协作工作流，大型语言模型（LLMs）正解锁前所未有的协同潜能。 MetaGPT的核心在于它创新性地引入了结构化的工作流程和专门化的角色分配。这就像是在工厂中，每个工人都有自己特定的任务，大家协同作业，以流水线的方式高效完成生产。 image-20240527181223783 不同于ChatDev和MetaGPT两者专注于软件开发领域，AuoGen的目标是构建一个通用的多代理对话框架，每个Agent可以是编程的，可以是利用的工具的 总结 通过本文对ChatDev、MetaGPT和AutoGen三篇论文的详细分析，我们深入了解了多智能体协作工作流在大语言模型（LLM）中的应用。
1.2K10编辑于 2025-03-18 - 来自专栏深度学习与python
飞猪搭建系统演进：从人工运营到多Agent协同搭投生产
此外我们对页面模板进行了分类，不同的页面类型会走到不同的 Agent 完成生产。 模板预览 那么这么多页面模板从哪里来呢，总不能人工维护吧？ 我们设计了一套 Agent 模拟 “前端页面开发” 流程，由 LLM 担任产品、PM、设计、开发等多角色，协同完成图文页面开发任务，最终产物为页面 HTML 代码。 图文页生产效果 整体采用 Manager–Worker 架构设计智能体，拆分分析器、调度器、设计师、工程师等多个角色协同完成长图文生产任务，单 Agent 内部实现完整的 ReAct 范式确保输出最优， 在设计 Agent 时需要严格约定出入参数据格式以便调度器准确调度执行，另外还需要设计纠错机制和重试机制保障 Agent 节点在意外抖动时整体链路能够稳定运行。 网上有许多教程和黑科技，不妨先快速学习一轮，实践中灵活尝试运用，磨刀不误砍柴工； 上下文管理：对于多 Agent 体系中，上下文管理尤为重要，一股脑往里塞必然导致 “上下文污染” 越聊越偏。
24610编辑于 2026-01-22 同一业务场景下，只用 ChatGPT Agent 和多模型协同的实际差异
方案一：只使用 ChatGPT Agent项目初期，我们采用了非常直接的做法： 所有核心逻辑都交给 ChatGPT Agent Agent 负责理解、判断和生成 业务系统只负责把输入交给 Agent 方案二：拆解流程，引入多模型协同在复盘之后，我们调整了思路，不再问： Agent 能不能把事情都做完？ 而是换了一个问题： 哪些环节真的需要“强推理能力”？ 一个容易被忽视的认知误区在很多讨论中，问题往往被简化为： 用不用 Agent Agent 强不强 但在实际项目里，我们越来越清楚地意识到： ChatGPT Agent 本身并不是问题， 真正的问题，是把它当成了一个 关于多模型协同的落地方式在后续实践中，我们开始引入统一的模型接入与调度层，用来屏蔽不同模型之间的接口差异，并根据任务类型选择合适的模型能力。 这也是我们在实践中，逐步走向多模型协同的原因。
10810编辑于 2026-02-02- 来自专栏Elastic Stack专栏
使用 Elasticsearch 构建 AI Agent 工作流
它定义：要达成的目标 可调用的工具集合 可访问的数据源 Agent 不仅能进行对话，还能驱动完整工作流、任务自动化或面向用户的应用。 开发者只需关注 做什么：目标、工具、数据；系统则负责 如何做：推理与工作流。默认 Agent平台内置的第一个 Agent 是 Kibana 原生对话 Agent。 借助 A2A 服务器，Elastic Agent 能与其他系统的 Agent 直接对话：共享上下文、委派任务、协同工作。 安全随着 Agent 与 Tool 能力增强，安全不再是附加项，而是底层基石。开放 API、自动化任务和工作流，均需在企业级信任体系下运行。 未来规划遵循以下原则：坚守开源与标准undefined保持与外部 Agent 框架的互操作，让你既能连接、扩展，又能掌控数据与工作流。重视上下文价值undefinedAgent 的上下文决定其能力。
47521编辑于 2025-09-29 - 来自专栏机器学习与推荐算法
多视图多示例多标签的协同矩阵分解
实例和标签）之间的关系，而这些实体之间的关系可以给M3L方法提供丰富的上下文信息，因此，现有的M3L方法性能次优； 2、大部分的MIML算法仅关注单视图数据，但是，在实际应用中，通常可以通过不同的视图来表示多实例多标签对象 2 Related work 由于包之间以及实例之间存在多种类型的关系,与最近大量研究的MIML任务相比，从多视图包中学习更加困难和挑战。当前已有不少研究工作致力于解决这样一种挑战。如表1所示： ? 尽管这些方法在努力解决多视图MIML学习问题，但是这些方法仅考虑了包之间和实例之间有限的关系类型。 3 Methodology 所提模型主要包括两部分，一部分是异质网络的构建，另一部分是协同关系矩阵分解。 3.1 Heterogeneous Network Construction ? 2、construct a bag subnetwork for each feature view 利用豪斯多夫距离为每个试图中的包构建子网 ? ?
1.4K30发布于 2021-04-01 - 来自专栏AIGC新知
OpenAI 用Agent SDK重新定义Agent工作流构建方式
在过去一年中，OpenAI不断拓展模型能力，新增了高级推理、多模态交互以及新型安全技术等功能，这些都为模型处理复杂多步骤任务奠定了坚实基础。 全新 Agents SDK：支持编排单代理和多代理工作流，灵活应对各类复杂场景。 集成可观测性工具：可追踪和检查 agent 工作流执行，让开发过程更加透明。 这些工具旨在协同工作，将模型与现实世界连接，使其在完成任务时更具实用性。 网络搜索 通过网络快速获取最新答案，并附带清晰且相关的引用来源。 Agents SDK 除了构建智能体的核心逻辑并为其提供工具访问权限以使其发挥作用外，开发人员还需要编排智能体工作流程。 全新的开源 Agents SDK 简化了多智能体工作流程的编排，相比 Swarm（实验性 SDK）实现了重大改进——该 SDK 已被开发者社区广泛采用，并被多个客户成功部署。
91710编辑于 2025-03-12 - 来自专栏技术汇总专栏
一种基于多 Agent 协同机制的分布式任务调度框架研究
一种基于多 Agent 协同机制的分布式任务调度框架研究一、问题背景：为什么传统调度模型开始失效？ Agent 系统（Multi-Agent System, MAS），通过自治体之间的协同完成调度决策，成为一种更具扩展性的解决思路。 （Action）接受任务拒绝任务转发任务给其他节点三、MAS 协同调度的核心机制设计3.1 协同机制一：基于协议的任务竞标（Contract Net）经典的 Contract Net Protocol（ Agent 系统为分布式任务调度提供了一种从“集中控制”走向“协同自治”的范式转变。 通过合理的 Agent 建模与协同机制设计，调度策略不再依赖全局最优计算，而是通过局部理性决策实现整体性能涌现。
35110编辑于 2026-01-07 - 来自专栏XINDOO的专栏
Agent设计模式——第 13 章：人机协同
人机协同（Human-in-the-Loop，HITL）模式在 Agent 的开发和部署中扮演着关键战略角色。 人机协同模式概述 人机协同（HITL）模式通过整合人工智能与人类输入来增强 Agent 能力。 为什么：人机协同（HITL）模式通过战略性地将人类监督整合到 AI 工作流中提供了标准化解决方案。 可视化摘要： 图 1：人机协同设计模式 关键要点 关键要点包括： 人机协同（HITL）将人类智能和判断整合到 AI 工作流中。 它在复杂或高风险场景中对安全性、道德和有效性至关重要。 我们讨论了如何将人类监督、干预和反馈整合到 Agent 工作流中可以显著增强其性能和可信度，特别是在复杂和敏感的领域中。
90810编辑于 2025-10-27 - 来自专栏DotNet NB && CloudNative
多Agent协作入门：AgentGroupChat
近日抽空学习了下Semantic Kernel提供的AgentGroupChat对象写了一个多Agent对话的Demo，总结一下分享与你。 当然，多Agent协作还有其他的方式，就留到后续慢慢介绍给你。 AgentChat是什么鬼？ 这使得 ChatCompletionAgent和 OpenAIAssistantAgent 可以在同一对话中协同工作。 Agent..."); var writerAgent = WriterAgent.Build(kernel); 定义选择策略 和 终止策略 对于多Agent协作，在AgentGroupChat中需要定义选择 当然，多Agent协作还有很多其他的方式和框架实现，这就留到后面一一介绍给你，因为我也还在学。
36710编辑于 2025-08-06 - 来自专栏XINDOO的专栏
Agent设计模式——第 7 章：多 Agent 协作
协作允许产生协同结果，其中多 Agent 系统的集体性能超过集合内任何单个 Agent 的潜在能力。 多 Agent 协作模式概述 多 Agent 协作模式涉及设计系统，其中多个独立或半独立的 Agent 协同工作以实现共同目标。 然后将每个子问题分配给具有解决它所需的精确工具和能力的专门 Agent。这些 Agent 通过定义的通信协议和交互模型（如顺序交接、并行工作流或层次化委托）协同工作。 这种 Agent 化的分布式方法创造了协同效应，使团队能够实现任何单个 Agent 都无法实现的结果。 视觉摘要 ** ** 图 3：多 Agent 设计模式 关键要点 多 Agent 协作涉及多个 Agent 协同工作以实现共同目标。 此模式利用专业角色、分布式任务和 Agent 间通信。
3K11编辑于 2025-10-27 别做 AI Agent，先用简单工作流
文章痛批很多团队一上来就给大模型加记忆、角色和工具，让模型自己调度工作流，结果越做越像多米诺骨牌，一推就倒。 其关键能力包括：工具集成，能够调用外部API、数据库、计算工具等，将静态知识转化为动态交互；实时信息获取，通过检索增强生成（RAG）技术访问最新知识库，解决知识截止和信息过时问题；多模态处理，整合文本、 这些能力的协同作用使Augmented LLM成为真正的通用人工智能助手，能够在各种场景中提供准确、及时、多样化的服务。 将提示词工程上升到上下文工程 那么接着Agent做的内容理解拆分，长上下文的理解，内容的组装排序，反馈循环这些事情能否也从Agent移出？ ，具备了复杂任务感知理解和拆分，任务规划和执行，长上下文记忆和存储，多轮反思和迭代，高度工程化和自主性等关键特点。
34410编辑于 2025-07-14- 来自专栏码
用ComfyUI的思路设计Agent工作流
基于这种理念，我发现在Agent的工作流搭建中，直接照抄，是完全可以的。 同样的道理，Agent工作流不也是这样吗？只要确保我们的节点有符合要求的输入输出即可。于是，我有了移植ComfyUI到Agent工作流创建中的想法。 如果可以在现有的ComfyUI的基础上，加入Agent的工作流搭建能力，不仅可以解决Agent工作流编程问题，还能直接将LLM和生图模型结合在一起，甚至在Stable Diffusion生成视频的能力， 图的形状可以有非常多的变化，而不同的变化所带来的效果完全不同。 我们可以把图作为Workflow的某种可视化的DSL，它以图形语言的方式表达了一个工作流是怎么运作的。 结语 本文介绍了ComfyUI，并希望借鉴ComfyUI设计基于相同的图（Graph）来实现Agent工作流的想法。
2.3K42编辑于 2024-04-19
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