多 Agent 编排模式详解:编排者-工作者、交接(Handoffs)、并行与评估循环怎么选

搜「multi-agent orchestration 中文」会被各家框架的不同术语绕晕。本文对照 Anthropic《Building effective agents》与 OpenAI 智能体指南,把编排者-工作者、去中心化交接、并行分片投票与生成-评估循环四种标准编排拓扑讲透。

NNathaniel bigo··原创首发·AI 辅助撰写
10 分钟读完
资料核对于 2026-11-18 · 依据官方文档与公开资料整理 免费账号 账号

结论先说

  1. 所有主流多 Agent 框架底层的编排拓扑,拆开来都不出四种基本模式:编排者-工作者(中心主管)、去中心化交接(Handoffs)、并行化(分片与投票)、生成-评估循环。
  2. 需要一个中心大脑统揽全局、动态拆题并汇总多方结果时,选「编排者-工作者」(OpenAI 称为 Manager / Agents as Tools)。
  3. 对话主题已经彻底转向另一个专业领域、前序节点无需再插手时,选「交接(Handoffs)」,直接把当前会话控制权移交给下游专家。
  4. 子任务彼此无依赖、只想缩短总等待时间或交叉核验时,选「并行化」,在应用代码层并发调用再合并结果。
  5. 复杂工程里四种模式常常嵌套组合——比如中心主管在底层并发派出三个检索工作者,拿到汇总初稿后再走一轮评估代理质检。

四种主流多 Agent 编排模式对照

图:本站根据 Anthropic Building Effective Agents 与 OpenAI 指南 整理的示意图

本文根据 Anthropic 官方工程指南《Building effective agents》与 OpenAI 官方指南《A practical guide to building agents》整理,核对日期 2026-11-18。配图为本站整理的示意图,不是界面截图。本站(bigolab.com)不是 Anthropic 或 OpenAI 官方网站。

适用于谁

  • 搜「multi-agent orchestration 中文」「多 agent 编排模式」的人;
  • 已经决定要做多智能体(判断依据见 /guides/multi-agent-what-is-when-to-use),但不知道代理之间该设成「上下级汇报」还是「平级转交」的开发者;
  • 看不同开源框架文档时,被 Supervisor、Manager、Swarm、Handoffs、Fan-out 等名词搞混的人。

一、模式一:编排者-工作者(Orchestrator-Workers / Manager)

这是软件研发与深度研究助手里最常用的主从结构。中心有一个编排者(Orchestrator / Manager),手下挂载若干专职工作者(Workers)。

它的关键特征是「动态拆解 + 控制权不外放」:

  • 子步骤不是写死的:面对用户一句话需求(比如「重构鉴权模块并补齐受影响接口的测试」),事先没法在代码里硬编码到底要改几个文件。中心编排者先读现场情况,再动态决定派哪几个工作者、传什么任务描述;
  • 子代理表现为一个工具调用:工作者在自己的隔离上下文里干完活,把结果作为工具返回值交回中心编排者,始终由编排者跟用户对话并负最终合成责任。

落地提示:编排者负责全局判断,建议配强推理模型;底下的只读检索或格式提取工作者配轻量模型即可,模型分级思路见 /guides/openai-multi-model-routing-cheap-vs-strong。

二、模式二:去中心化交接(Decentralized / Handoffs)

OpenAI 在指南里把「交接(Handoffs)」与上面的中心主管模式并列为两大核心多代理拓扑(SDK 代码级对比见 /guides/openai-agents-sdk-handoffs-vs-agents-as-tools)。

在这套拓扑里,各个代理是对等节点(Peers),没有高高在上的总管:

  • 前台接待代理先识别用户来意;
  • 一旦确认用户要办「退订退款」,接待代理调用一次交接函数,单向把活跃会话的控制权和必要历史转移给售后专员代理,自己随即退出本轮执行;
  • 接下来用户的追问直接由售后专员代理接住,不再每次绕回前台传话。

这种模式省掉了中心主管每轮中转复述的延迟和 Token 开销,特别适合多轮客服分流、按业务线切分的企业内网门户。但设计时必须防住一个坑:避免 A 交接给 B、B 觉得不归自己管又交接回 A 的死循环,务必在运行器上设最大跳转次数并加好输入输出护栏(见 /guides/openai-agents-sdk-guardrails-tracing)。

按业务形态选择多代理编排拓扑

图:本站根据 Anthropic 与 OpenAI 官方编排设计指南 整理的示意图

三、模式三:并行化(Parallelization:分片与投票)

Anthropic 把并行模式细分为两种截然不同的用法,它们的共同点是不靠大模型临时想怎么拆,而是由你写好的确定性代码并发发出请求(例如 Python 的 asyncio.gather 或 TypeScript 的 Promise.all):

  1. 分片(Sectioning):把一件大事按固定维度切成互不干扰的几块同时跑。比如审阅一份 Pull Request 时,代码同时发给三个专职提示词:一个只查 SQL 注入与鉴权安全,一个只查性能慢查询,一个只核对接口命名规范,最后合并成一份评审列表,总耗时只取决于最慢的那一路;
  2. 投票(Voting):把同一道高风险判断题同时发给多个不同视角或不同提示词的调用,按多数票或「一票否决」做决断。常见于内容合规筛查或高危线上变更审批,用几倍的输入成本换取更低的漏报率。

四、模式四:生成-评估循环(Evaluator-Optimizer)

当你发现单次提示词无论怎么调,模型写出来的长代码或复杂翻译总是顾此失彼时,可以把「创作者」和「挑刺者」拆成两个独立代理形成反馈闭环:

  1. 生成代理(Generator) 按需求给出第一版产出;
  2. 评估代理(Evaluator) 对照一份明确的验收清单逐项打分,如果未通过,给出具体的缺陷位置和修改方向(但不自己动手重写);
  3. 生成代理拿到反馈改出第二版,直到评估通过或达到你设定的最大迭代轮数(通常设 2 到 3 轮即可,再多边际收益递减)。

平时在网页端或客户端验证这套多角色提示词、对比不同主力模型的指令遵循度时,若需要稳定的个人订阅环境,可参考 /chongzhi/claude-pro 或 /chongzhi/chatgpt-plus 的官方套餐说明。

常见问题

Q:「路由(Routing)」和「交接(Handoffs)」是一回事吗?

路由通常是单轮入口处的轻量分类器(识别问题类型后分发给一条独立链路,做完即结束);而交接面向的是持续多轮的有状态智能体对话,即使在对话中途需求变了,当前专家也能再次把控制权交接给下一个专家。

Q:编排者-工作者和并行分片怎么区分?

看「子任务清单是谁定的」。如果每次固定拆成安全、性能、规范三路,代码直接并发调就行,这是并行分片;如果必须先让大模型读完用户问题才能决定今天要派几个代理、各查哪张表,这就是编排者-工作者。

Q:真实项目里要把这四种全用上吗?

千万别为了凑模式而堆叠层级。每多套一层编排,端到端延迟和排查难度就会翻一截。每次只针对当前最卡脖子的那个痛点引入一种模式,用追踪日志验证确有提升后再保留。

相关教程

参考资料

  • Anthropic Engineering:Building effective agents — https://www.anthropic.com/engineering/building-effective-agents
  • OpenAI:A practical guide to building agents — https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf

Nathaniel 的更多内容

  1. 01

    LangGraph 流式输出(Streaming)详解:逐字 Token 流、节点进度与自定义事件写法

    多步智能体如果等全部节点跑完才返回,网页前端就会白屏干等十几秒。本文按 LangGraph 官方文档讲清 updates、messages、custom 与 values 四种 stream_mode 的区别,以及组合订阅逐字打字机输出加工具内部实时进度的完整代码。

    其他 AI 工具0
  2. 02

    LangGraph 持久化与长期记忆怎么配:Checkpointer、Store 与 PostgreSQL 实战

    在生产环境跑 LangGraph,单靠 InMemorySaver 一重启就会丢失全部对话。本文按官方文档讲清线程内短期检查点(Checkpointer)与跨线程长期记忆(Store)的分工,以及用 langgraph-checkpoint-postgres 对接 PostgreSQL 的完整步骤。

    其他 AI 工具0
  3. 03

    LangGraph 多智能体怎么写:Supervisor 主管包与 Subgraph 隔离子图实战

    在 LangGraph 里把单个图扩展成多智能体协作有两条官方路线:快速原型用预置包 langgraph-supervisor,大型生产系统用原生子图(Subgraph)嵌套。本文讲清两种写法的完整代码、私有状态隔离防 Token 膨胀技巧以及检查点传播规则。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入审批怎么写:interrupt 暂停图运行与 Command 恢复实战

    企业之所以选 LangGraph,很大程度看中它能安全挂起等待人工审批(Human-in-the-Loop)。本文按官方最新规范讲清 interrupt() 动态暂停、Checkpointer 必备条件、Command(resume=...) 恢复执行,以及防止副作用重复运行的重入规则。

    其他 AI 工具0
  5. 05

    多 Agent 协作平台怎么选:Dify、扣子(Coze)、n8n 与 LangGraph 多智能体机制对比

    搜「多agent协作平台」时,Dify、扣子、n8n 和 LangGraph 都宣称支持多智能体,但底层的调度方式完全不同。本文跳过基础安装,专门从多 Agent 角色跳转、子代理工具调用、上下文隔离与私有化部署四个维度帮你一次选准。

    其他 AI 工具0
  6. 06

    企业微信有官方 MCP 和 CLI 吗:@wecom/cli 安装初始化、长连接机器人与接入教程

    搜「企业 微信 有 mcp 吗」不用再东拼西凑民间群机器人脚本了:企业微信官方已推出 @wecom/cli 命令行工具并内置 stdio 模式的 MCP Server。本文按官方开发者文档讲清安装、智能机器人长连接初始化、业务命令与接入 Claude Code 步骤。

    Claude其他 AI 工具0

同产品的其他教程

  1. 01

    MCP 收费吗:开源协议免费边界、第三方 API 账单与隐形 Token 开销说明

    搜「mcp 收费 吗」的人常担心装多了插件会被扣费。MCP(模型上下文协议)本身和官方 SDK 采用 MIT 协议完全免费;实际使用中可能产生费用的只有两处:挂载过多工具占用的大模型上下文 Token,以及部分外部商业数据源自带的 API 套餐。

    Claude其他 AI 工具0
  2. 02

    MCP 协议最新版本更新了什么:无状态架构、OAuth 2.1、结构化输出与异步 Tasks 详解

    搜「mcp 重大 更新」「mcp 协议 更新」想补齐规范演进脉络?本文对照 modelcontextprotocol.io 官方规范更新日志,梳理从 Streamable HTTP 到无状态优先架构、OAuth 2.1 资源服务器、Elicitation 交互补参与异步 Tasks 扩展的核心变化。

    Claude其他 AI 工具0
  3. 03

    A2A 和 MCP 有什么区别:工具连接协议与智能体通信协议的边界和配合

    很多人问「有了 MCP 为什么还要出 A2A,两者是不是二选一的竞争关系」。两份官方规范都明确写明它们是上下互补关系:MCP 负责给单个智能体挂载工具与数据源,A2A 负责让多个独立黑盒智能体跨团队、跨框架互相派单协作。

    Claude其他 AI 工具0
  4. 04

    AutoGen 现在怎么样了?微软官方演进路线与 Microsoft Agent Framework 入门

    搜 AutoGen 新教程常被 0.2、0.4、社区分支和 Semantic Kernel 绕晕。按微软官方文档,微软已将 AutoGen 与 Semantic Kernel 两支团队合并推出统一的开源框架 Microsoft Agent Framework。本文讲清现状与 Python 快速上手。

    ChatGPT其他 AI 工具0
  5. 05

    LangGraph 怎么使用 MCP:用 langchain-mcp-adapters 接入本地与远程工具

    想让自建的 LangGraph 状态图直接调用现成的 MCP 服务器,官方标准方案是安装 langchain-mcp-adapters 并使用 MultiServerMCPClient。本文讲清 stdio 与 streamable_http 两种配置写法、异步图运行及按节点分工具技巧。

    Claude其他 AI 工具0
  6. 06

    LangGraph 入门教程:Python 安装、核心概念与跑通第一个状态图智能体

    面向搜「python 安装 langgraph」和「langgraph 中文 文档」的初学者:本文按 LangChain 官方最新 Graph API 规范,讲清安装步骤、State/Node/Edge 四大概念,并从零写出第一个带工具调用循环的 StateGraph。

    Claude其他 AI 工具0

0 条评论

登录 后参与评论

还没有评论,来抢沙发~