在 GitHub 查看原文

L08 练习

改 code.py 里的代码，运行 python agent-lessons/08_multi_agent/code.py 观察变化。

练习 1：观察三个 Agent 的分工

仔细看输出，回答： - 规划者的 system prompt 让它"只规划不执行"——它真的没调用工具吗？ - 执行者是不是只管"按步骤调工具"，没去操心步骤合不合理？ - 审查者是不是在挑毛病，而不是自己重新执行？

思考：这种"关注点分离"和软件工程里的"模块化/单一职责"是不是一回事？每个 Agent 就像一个职责单一的模块。

练习 2：触发"审查打回重做"

设计一个容易出错的任务，看审查者会不会打回：

run_multi_agent(client, "帮我查北京、上海、广州、深圳四个城市的天气，找出最热和最冷的，算温差。")

观察：执行者可能漏掉某个城市或忘了算温差。审查者有没有发现并打回？打回后执行者有没有改进？

思考：这就是多 Agent 相比单 Agent 的优势——审查环节能发现并纠正执行者的遗漏。单 Agent 自己做的自己查，容易"灯下黑"。

练习 3：加一个"批评者"Agent（辩论模式）

参考 README 里的"对等辩论"架构，加一个和执行者意见相反的 Agent：

DEVILS_ADVOCATE_PROMPT = """你是"魔鬼代言人"，专门质疑执行者的结论。
不管执行者说什么，你都要从相反角度提出质疑和风险。
输出：质疑点 + 可能的风险。"""

def devils_advocate(client, task, result):
    resp = client.chat.completions.create(...)
    return resp.choices[0].message.content

在流水线里，执行者产出后先让批评者质疑，再让审查者综合判断。

思考：辩论模式适合什么任务？（提示：决策类、评估类，而不是执行类）

练习 4：对比单 Agent 和多 Agent

用同一个任务，分别用单 Agent（L03 的 ReAct）和本课的 3-Agent 跑，对比：

思考：多 Agent 质量更好但成本翻倍。什么场景值得用多 Agent？什么场景单 Agent 够了？（这就是面试常问的"你怎么权衡"）

✅ 完成本课后，你应该能回答

1. 单 Agent 在复杂任务下有什么局限？
2. 多 Agent 的三种常见架构是什么？（主从/流水线/辩论）
3. Agent 之间怎么通信？（本课用的是哪种方式）
4. 规划者/执行者/审查者各负责什么？为什么要这样分？
5. 多 Agent 的代价是什么？什么时候该用、什么时候不该用？