多 Agent 編排模式詳解:編排者-工作者、交接(Handoffs)、並行與評估循環怎麼選

搜「multi-agent orchestration 中文」會被各家框架的不同術語繞暈。本文對照 Anthropic《Building effective agents》與 OpenAI 智能體指南,把編排者-工作者、去中心化交接、並行分片投票與生成-評估循環四種標準編排拓撲講透。

NNathaniel bigo··原創首發·AI 輔助撰寫
10 分鐘讀完
資料核對於 2026-11-18 · 依據官方文檔與公開資料整理 免費帳號 帳號

結論先說

  1. 所有主流多 Agent 框架底層的編排拓撲,拆開來都不出四種基本模式:編排者-工作者(中心主管)、去中心化交接(Handoffs)、並行化(分片與投票)、生成-評估循環。
  2. 需要一箇中心大腦統攬全局、動態拆題並彙總多方結果時,選「編排者-工作者」(OpenAI 稱為 Manager / Agents as Tools)。
  3. 對話主題已經徹底轉向另一個專業領域、前序節點無需再插手時,選「交接(Handoffs)」,直接把當前會話控制權移交給下游專家。
  4. 子任務彼此無依賴、只想縮短總等待時間或交叉核驗時,選「並行化」,在應用代碼層並發調用再合併結果。
  5. 複雜工程裏四種模式常常嵌套組合——比如中心主管在底層並發派出三個檢索工作者,拿到彙總初稿後再走一輪評估代理質檢。

四種主流多 Agent 編排模式對照

圖:本站根據 Anthropic Building Effective Agents 與 OpenAI 指南 整理的示意圖

本文根據 Anthropic 官方工程指南《Building effective agents》與 OpenAI 官方指南《A practical guide to building agents》整理,核對日期 2026-11-18。配圖為本站整理的示意圖,不是介面截圖。本站(bigolab.com)不是 Anthropic 或 OpenAI 官方網站。

適用於誰

  • 搜「multi-agent orchestration 中文」「多 agent 編排模式」的人;
  • 已經決定要做多智能體(判斷依據見 /guides/multi-agent-what-is-when-to-use),但不知道代理之間該設成「上下級彙報」還是「平級轉交」的開發者;
  • 看不同開源框架文檔時,被 Supervisor、Manager、Swarm、Handoffs、Fan-out 等名詞搞混的人。

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

這是軟件研發與深度研究助手裏最常用的主從結構。中心有一個編排者(Orchestrator / Manager),手下掛載若干專職工作者(Workers)。

它的關鍵特徵是「動態拆解 + 控制權不外放」:

  • 子步驟不是寫死的:面對用戶一句話需求(比如「重構鑑權模組並補齊受影響接口的測試」),事先沒法在代碼裏硬編碼到底要改幾個文件。中心編排者先讀現場情況,再動態決定派哪幾個工作者、傳什麼任務描述;
  • 子代理表現為一個工具調用:工作者在自己的隔離上下文裏幹完活,把結果作為工具返回值交回中心編排者,始終由編排者跟用戶對話並負最終合成責任。

落地提示:編排者負責全局判斷,建議配強推理模型;底下的只讀檢索或格式提取工作者配輕量模型即可,模型分級思路見 /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)」與上面的中心主管模式並列為兩大核心多代理拓撲(SDK 代碼級對比見 /guides/openai-agents-sdk-handoffs-vs-agents-as-tools)。

在這套拓撲裏,各個代理是對等節點(Peers),沒有高高在上的總管:

  • 前台接待代理先識別用戶來意;
  • 一旦確認用戶要辦「退訂退款」,接待代理調用一次交接函數,單向把活躍會話的控制權和必要歷史轉移給售後專員代理,自己隨即退出本輪執行;
  • 接下來用戶的追問直接由售後專員代理接住,不再每次繞回前台傳話。

這種模式省掉了中心主管每輪中轉複述的延遲和 Token 開銷,特別適合多輪客服分流、按業務線切分的企業內網門戶。但設計時必須防住一個坑:避免 A 交接給 B、B 覺得不歸自己管又交接回 A 的死循環,務必在運行器上設最大跳轉次數並加好輸入輸出護欄(見 /guides/openai-agents-sdk-guardrails-tracing)。

按業務形態選擇多代理編排拓撲

圖:本站根據 Anthropic 與 OpenAI 官方編排設計指南 整理的示意圖

三、模式三:並行化(Parallelization:分片與投票)

Anthropic 把並行模式細分為兩種截然不同的用法,它們的共同點是不靠大模型臨時想怎麼拆,而是由你寫好的確定性代碼並發發出請求(例如 Python 的 asyncio.gather 或 TypeScript 的 Promise.all):

  1. 分片(Sectioning):把一件大事按固定維度切成互不干擾的幾塊同時跑。比如審閱一份 Pull Request 時,代碼同時發給三個專職提示詞:一個只查 SQL 注入與鑑權安全,一個只查性能慢查詢,一個只核對接口命名規範,最後合併成一份評審列表,總耗時只取決於最慢的那一路;
  2. 投票(Voting):把同一道高風險判斷題同時發給多個不同視角或不同提示詞的調用,按多數票或「一票否決」做決斷。常見於內容合規篩查或高危線上變更審批,用幾倍的輸入成本換取更低的漏報率。

四、模式四:生成-評估循環(Evaluator-Optimizer)

當你發現單次提示詞無論怎麼調,模型寫出來的長代碼或複雜翻譯總是顧此失彼時,可以把「創作者」和「挑刺者」拆成兩個獨立代理形成反饋閉環:

  1. 生成代理(Generator) 按需求給出第一版產出;
  2. 評估代理(Evaluator) 對照一份明確的驗收清單逐項打分,如果未通過,給出具體的缺陷位置和修改方向(但不自己動手重寫);
  3. 生成代理拿到反饋改出第二版,直到評估通過或達到你設定的最大迭代輪數(通常設 2 到 3 輪即可,再多邊際收益遞減)。

平時在網頁端或客戶端驗證這套多角色提示詞、對比不同主力模型的指令遵循度時,若需要穩定的個人訂閱環境,可參考 /chongzhi/claude-pro 或 /chongzhi/chatgpt-plus 的官方套餐說明。

常見問題

Q:「路由(Routing)」和「交接(Handoffs)」是一回事嗎?

路由通常是單輪入口處的輕量分類器(識別問題類型後分發給一條獨立鏈路,做完即結束);而交接面向的是持續多輪的有狀態智能體對話,即使在對話中途需求變了,當前專家也能再次把控制權交接給下一個專家。

Q:編排者-工作者和並行分片怎麼區分?

看「子任務清單是誰定的」。如果每次固定拆成安全、性能、規範三路,代碼直接並發調就行,這是並行分片;如果必須先讓大模型讀完用戶問題才能決定今天要派幾個代理、各查哪張表,這就是編排者-工作者。

Q:真實項目裏要把這四種全用上嗎?

千萬別為了湊模式而堆疊層級。每多套一層編排,端到端延遲和排查難度就會翻一截。每次只針對當前最卡脖子的那個痛點引入一種模式,用追蹤日誌驗證確有提升後再保留。

相關教學

參考資料

  • 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 的更多內容

  1. 01

    LangGraph 流式輸出(Streaming)詳解:逐字 Token 流、節點進度與自定義事件寫法

    多步智能體如果等全部節點跑完才返回,網頁前端就會白屏乾等十幾秒。本文按 LangGraph 官方文檔講清 updates、messages、custom 與 values 四種 stream_mode 的區別,以及組合訂閱逐字打字機輸出加工具內部實時進度的完整代碼。

    其他 AI 工具0
  2. 02

    LangGraph 持久化與長期記憶怎麼配:Checkpointer、Store 與 PostgreSQL 實戰

    在生產環境跑 LangGraph,單靠 InMemorySaver 一重啟就會丟失全部對話。本文按官方文檔講清線程內短期檢查點(Checkpointer)與跨線程長期記憶(Store)的分工,以及用 langgraph-checkpoint-postgres 對接 PostgreSQL 的完整步驟。

    其他 AI 工具0
  3. 03

    LangGraph 多智能體怎麼寫:Supervisor 主管包與 Subgraph 隔離子圖實戰

    在 LangGraph 裏把單個圖擴展成多智能體協作有兩條官方路線:快速原型用預置包 langgraph-supervisor,大型生產系統用原生子圖(Subgraph)嵌套。本文講清兩種寫法的完整代碼、私有狀態隔離防 Token 膨脹技巧以及檢查點傳播規則。

    其他 AI 工具0
  4. 04

    LangGraph 人工介入審批怎麼寫:interrupt 暫停圖運行與 Command 恢復實戰

    企業之所以選 LangGraph,很大程度看中它能安全掛起等待人工審批(Human-in-the-Loop)。本文按官方最新規範講清 interrupt() 動態暫停、Checkpointer 必備條件、Command(resume=...) 恢復執行,以及防止副作用重複運行的重入規則。

    其他 AI 工具0
  5. 05

    多 Agent 協作平台怎麼選:Dify、釦子(Coze)、n8n 與 LangGraph 多智能體機制對比

    搜「多agent協作平台」時,Dify、釦子、n8n 和 LangGraph 都宣稱支持多智能體,但底層的調度方式完全不同。本文跳過基礎安裝,專門從多 Agent 角色跳轉、子代理工具調用、上下文隔離與私有化部署四個維度幫你一次選準。

    其他 AI 工具0
  6. 06

    企業微信有官方 MCP 和 CLI 嗎:@wecom/cli 安裝初始化、長連接機器人與接入教學

    搜「企業 微信 有 mcp 嗎」不用再東拼西湊民間群機器人腳本了:企業微信官方已推出 @wecom/cli 命令行工具並內置 stdio 模式的 MCP Server。本文按官方開發者文檔講清安裝、智能機器人長連接初始化、業務命令與接入 Claude Code 步驟。

    Claude其他 AI 工具0

同產品的其他教學

  1. 01

    MCP 收費嗎:開源協議免費邊界、第三方 API 帳單與隱形 Token 開銷說明

    搜「mcp 收費 嗎」的人常擔心裝多了插件會被扣費。MCP(模型上下文協議)本身和官方 SDK 採用 MIT 協議完全免費;實際使用中可能產生費用的只有兩處:掛載過多工具佔用的大模型上下文 Token,以及部分外部商業數據源自帶的 API 套餐。

    Claude其他 AI 工具0
  2. 02

    MCP 協議最新版本更新了什麼:無狀態架構、OAuth 2.1、結構化輸出與異步 Tasks 詳解

    搜「mcp 重大 更新」「mcp 協議 更新」想補齊規範演進脈絡?本文對照 modelcontextprotocol.io 官方規範更新日誌,梳理從 Streamable HTTP 到無狀態優先架構、OAuth 2.1 資源伺服器、Elicitation 交互補參與異步 Tasks 擴展的核心變化。

    Claude其他 AI 工具0
  3. 03

    A2A 和 MCP 有什麼區別:工具連接協議與智能體通信協議的邊界和配合

    很多人問「有了 MCP 為什麼還要出 A2A,兩者是不是二選一的競爭關係」。兩份官方規範都明確寫明它們是上下互補關係:MCP 負責給單個智能體掛載工具與數據源,A2A 負責讓多個獨立黑盒智能體跨團隊、跨框架互相派單協作。

    Claude其他 AI 工具0
  4. 04

    AutoGen 現在怎麼樣了?微軟官方演進路線與 Microsoft Agent Framework 入門

    搜 AutoGen 新教學常被 0.2、0.4、社區分支和 Semantic Kernel 繞暈。按微軟官方文檔,微軟已將 AutoGen 與 Semantic Kernel 兩支團隊合併推出統一的開源框架 Microsoft Agent Framework。本文講清現狀與 Python 快速上手。

    ChatGPT其他 AI 工具0
  5. 05

    LangGraph 怎麼使用 MCP:用 langchain-mcp-adapters 接入本地與遠程工具

    想讓自建的 LangGraph 狀態圖直接調用現成的 MCP 伺服器,官方標準方案是安裝 langchain-mcp-adapters 並使用 MultiServerMCPClient。本文講清 stdio 與 streamable_http 兩種配置寫法、異步圖運行及按節點分工具技巧。

    Claude其他 AI 工具0
  6. 06

    LangGraph 入門教學:Python 安裝、核心概念與跑通第一個狀態圖智能體

    面向搜「python 安裝 langgraph」和「langgraph 中文 文檔」的初學者:本文按 LangChain 官方最新 Graph API 規範,講清安裝步驟、State/Node/Edge 四大概念,並從零寫出第一個帶工具調用循環的 StateGraph。

    Claude其他 AI 工具0

0 條評論

登入 後參與評論

還沒有評論,來搶沙發~