L08 — 多智能体协作

本课目标：理解为什么需要多个 Agent，怎么让它们分工协作。前 7 课都是单个 Agent 干所有事，这课让多个 Agent 各司其职、协同完成复杂任务。

这是 Agent 进阶的重要话题——也是面试常问的"你怎么设计一个多 Agent 系统"。

1. 单 Agent 的局限

一个 Agent 干所有事，听起来简单，但任务复杂时会出现问题：

问题	表现	例子
角色混杂	一个 Agent 既要规划、又要执行、又要检查，prompt 巨复杂	"你同时是项目经理、程序员、测试员" → 哪个都做不好
上下文污染	不同职责的信息混在一个对话里，互相干扰	执行时的工具结果污染了规划思路
不可控	单 Agent 黑盒，难以针对性优化某个环节	规划错了还是执行错了？分不清
无法并行	一个 Agent 只能串行做事	想同时查 3 个资料？得排队

🎯 核心认知：多 Agent 的本质是关注点分离（和软件工程的模块化思想一致）——每个 Agent 只管自己擅长的事，通过协作完成整体任务。

一个"主 Agent"负责分配任务，多个"从 Agent"执行具体工作。

        主 Agent（调度）
       ┌───┬───┬───┐
    从A  从B  从C  从D
   （查资料）（写代码）（测试）（文档）

主 Agent 决定"这个任务该派给谁"，从 Agent 各干各的。适合任务能清晰拆分的场景。

任务按顺序流过多个专职 Agent，每个加一层处理。

规划者 → 执行者 → 审查者
（拆任务）（做任务）（查质量）

像工厂流水线——每个工位负责一道工序。适合有明确步骤的场景。本课实现这个。

多个 Agent 对同一问题各抒己见，辩论后得出更好的结论。

Agent A（正方）↔ Agent B（反方）→ 裁判 Agent（综合）

适合需要多角度思考的问题（如决策、评估）。

多 Agent 协作的关键问题：它们怎么传递信息？

本课用最简单的消息传递：每个 Agent 的输出作为下一个 Agent 的输入（流水线式）。

💡 在我们的实现里，"Agent 间通信"其实就是：把上一个 Agent 的回答，作为下一个 Agent 的 prompt 的一部分。因为每个 Agent 本质是一次 LLM 调用，它们的"通信"就是文本传递。

本课实现的 3-Agent 流水线：

用户任务
   │
   ▼
[规划者] → 输出步骤清单
   │
   ▼
[执行者] → 按清单执行，输出结果
   │
   ▼
[审查者] → 检查结果，输出"通过"或"问题：xxx"
   │
   ▼ （如果审查发现问题，可以回传给执行者重做）
最终结果

每个 Agent 有自己的 system prompt（角色定义），互不干扰。这就是"关注点分离"。

多 Agent 不是银弹，它有成本：

🎯 经验法则：先用单 Agent，当单 Agent 明显搞不定（角色混杂、质量不够）时再考虑多 Agent。不要为了多 Agent 而多 Agent。

code.py 实现一个 3-Agent 流水线（规划者 + 执行者 + 审查者）：

每个 Agent 是一个带专属 system prompt 的 LLM 调用，职责清晰分离。

给一个复杂任务，看三个 Agent 怎么接力： - 规划者拆解任务 - 执行者按计划执行（调用工具） - 审查者检查质量，可能打回重做

你会清晰看到每个 Agent 的角色、输入、输出——理解它们怎么协作。

python agent-lessons/08_multi_agent/code.py

终端会打印三个 Agent 的接力过程。重点看：每个 Agent 各司其职，比一个 Agent 全包更清晰、更可控。

下一课 L09 — 毕业项目是 Agent 课程的收官：综合所有技术做一个能进简历的项目。