- 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
54510编辑于 2026-01-12 多 Agent：从单打独斗到团队协同
我们需要构建一个“多 Agent + Skills + Spring AI”的自主决策智能体架构。 这套架构的核心在于，它不再把 AI 当作一个只会写代码的“打字员”，而是通过多角色分工（多 Agent）和模块化的专业知识（Skills），将其升级为能够理解业务、自主规划并严格落地的“数字工程师团队” 多 Agent：从单打独斗到团队协同在复杂的编程任务中，单一大模型往往因为上下文窗口限制或工具选择困难而力不从心。多 Agent 架构的精髓在于“专业分工”。 Skills：赋予智能体“读懂业务”的能力如果说多 Agent 解决了“怎么做”的流程问题，那么 Skills（技能）就是解决“做什么”和“为什么做”的知识载体。 Spring AI：企业级落地的坚实底座将多 Agent 的协作逻辑与 Skills 的知识管理能力结合起来，离不开一个强大的工程化框架，这正是 Spring AI 的价值所在。
12700编辑于 2026-05-30腾讯金融云AI大模型重构保险运营：多模型协同与Agent工作流驱动业务提效
部署AI原生架构：构建多模型大脑与智能体演进路径 为打破上述瓶颈，腾讯金融云提出基于大模型能力的保险AI原生应用重构方案。 该方案摒弃单一模型依赖，采用多模型策略与智能体（Agent）工作流编排： 精准适配LLM大脑：根据业务场景特点、数据安全及成本考量，灵活调度通用语言模型（如DeepSeek V3、Hunyuan，主攻问答与低成本部署 量化业务重构价值：核心运营指标提升验证 通过将人工密集型任务替换为大模型生态工具（MCP Server）与Agent工作流，保险运营在多个关键节点实现了量化的效能跃升： 单场景评级准确率突破：在车险伤残智能评级场景中 确立技术底层优势：驱动超级AI原生应用落地 在B端企业必然走向多模型策略的趋势下，腾讯金融云展现出了极强的工程化落地与生态兼容能力。 其演进路径明确指出，保险运营正从“单场景AI应用”向“Multi-Agent（多智能体协作）”演进，通过自主RL优化与Workflow保障金融场景必需的确定性与可预测性，为保险行业超级AI原生应用的破茧而出提供了坚实的技术底座
18410编辑于 2026-05-30- 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。
10.8K33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。
51810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。
1.1K10编辑于 2025-04-28 一虾多魂之跨agent自动记忆整理工作流
角色和其对应独立工作空间路径来针对性地处理不同任务，比如ETF行业调研组、资讯搜索汇报组、应用或工作流开发组、日常探讨分身……由此组建为我的一虾多魂系统。 由此我诞生了一个想法，自己搭建一套自动定时执行的跨agent跨工作区的记忆整理归档工作流。 的全部session，为每个有对话内容的agent维护一个结构化Markdown记忆文件，包含会话标题、当前状态、任务规格、文件与函数、工作流、错误与修正、代码库文档、学习笔记、关键结果、工作日志。 采用系统级Cron(IsolatedSession)，专门再创建一个agent来处理本工作流；先遍历扫描所有agent会话，判断有无对话内容，再对有内容的agents并行处理,在各agent的各自工作空间下整理保存记忆文档 记忆整理工作流说明每天晚上23:45，系统会自动：扫描多个Agent的今日会话提取有价值内容评分筛选高质量内容写入每日摘要+增量精华（长记忆沉淀）推送QQ简报给我目标是无需人工干预，早上醒来就能看到昨日的
48610编辑于 2026-04-03- 来自专栏数智转型架构师
教会你一句话启动多Agent协同，效率爆棚！
而面对复杂项目，最顶级的效率玩法，从来都不是一个人死磕，而是“团队作战”——也就是我们常说的“多智能体协作（Multi-Agent Collaboration）”。 这就是今天我想和大家分享的核心观点：在这个大模型越来越聪明的时代，实现多Agent协作的技术门槛，已经低到了说一句话就能实现的地步。 OpenClaw：一句话唤醒一个“项目组” 在OpenClaw中，想要实现多智能体协作，你根本不需要去配置什么复杂的节点和工作流。你只需要把它当成你的HR兼项目经理，直接对它“下达任命”。 OpenClaw在接到这条指令后，强大的底层逻辑会让它立刻启动多Agent工作机制。它会在自己的“大脑”里为你划分出这三个角色，按照你规定的流程，左手交右手，内部循环讨论。 而在编程领域，多Agent协作同样是降维打击。 在过去，你让AI写代码，它可能直接给你抛出一坨bug满满的代码块。
1.1K10编辑于 2026-04-21 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
64610编辑于 2026-03-05QClaw V2大版本上线：支持多Agent协同、跨应用直连
今天，QClaw V2大版本正式上线，新版本（V0.2.5）带来三大核心能力升级：// 上线多Agent功能，“团队”干活更高效以前的龙虾，一次只能干一件事，而且遇到复杂的长任务，很容易撑爆它的记忆（上下文 现在，QClaw V2版本上线了多Agent功能，你可以同时拉起最多3个Agent并行工作，把复杂长任务拆解、消化。 每个Agent的性格、口吻与经验均可自定义。 如果你不愿手动设置，系统也自带三位风格独特的Agent：包括毒舌撰稿人“无不言”、爹系辅导员“林且慢”、务实程序员“代可行”，一键即可调用。 // 上新连接器，跨应用直连更智能AI办公最大的断层在于：Agent帮你写好内容后，你还得手动复制粘贴到第三方应用中。QClaw V2版本推出的连接器功能，希望能够更好解决这个“最后一公里”的问题。 从多Agent并行提效、到跨应用一键执行、再到核心数据安全隔离。QClaw一直在努力，希望帮你更好养虾！
1.4K30编辑于 2026-04-13- 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。
1.4K30编辑于 2026-03-25 - 来自专栏张善友的专栏
.NET生态系统中的A2A（Agent-to-Agent）协议支持与跨平台多智能体协同
在人工智能架构的深层演进中，系统设计正在经历一场从孤立的大语言模型（LLM）端点向复杂的、分布式的多智能体系统（Multi-Agent Systems, MAS）的根本性范式转变。 多智能体协同的通信瓶颈与A2A协议的标准化突围 在探讨具体.NET框架的实现细节之前，必须系统性地明确A2A协议的技术边界、核心设计理念及其试图解决的行业痛点。 Microsoft Agent Framework的A2A v1 SDK原生集成与多态路由 Microsoft Agent Framework（MAF）代表了微软在.NET生态中统合多智能体工作流的官方战略级开源框架 Agent-to-Human (A2H)：将人类同意机制融入A2A工作流 虽然A2A协议解决了机器到机器的通信问题，但高风险操作（如删除数据库记录或执行敏感支付）的自动化仍令企业运维人员感到不安。 Microsoft Agent Framework通过优雅的多态对象抽象，将跨越广域网、跨越组织边界的A2A复杂通信无缝隐蔽地融入到开发者熟知的工作流编程模型中，为构建基于企业级云平台的超大规模生态协作网络提供了坚实可靠的基础设施支撑
28810编辑于 2026-05-07 - 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
42510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。
1.5K10编辑于 2025-03-18 - 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 ? ?
1.5K30发布于 2021-04-01 - 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。
40910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。
18010编辑于 2026-02-02轻量级多Agent协同架构在AI渗透测试中的效能与成本实证
多目标攻击时间严格受限下，复杂集中式规划智能体易成性能瓶颈；LLM存在工具调用沉迷（如重复curl低效测试）、路径依赖固化（误标正确方向为试错）、长轮次对话后逻辑混乱/遗忘目标的“认知退化”问题；脆弱复杂工作流失稳 部署轻量级多Agent协同架构 技术方案：构建“轻量级高并发（Lightweight Swarm）”多Agent系统，含两大核心模块。 高效集群策略：采用多Agent独立解题模式（分布式并行推理），基于MCP智能协同底座整合共享笔记本（异步知识协同）、赛题交互API、Kail Docker沙箱、知识库检索、共享记忆系统。 应用过程：部署轻量级多Agent协同架构（含共享笔记本协作、三防纠偏机制），异构组合DeepSeek-Chat与Kimi-K2模型。 其技术领先性体现在： 架构创新：轻量级多Agent协同（分布式并行推理、异构模型兼容）突破单点能力瓶颈，共享笔记本机制降本增效； 纠偏能力：“防沉迷、防固化、防认知退化”三重机制提升Agent稳定性
29920编辑于 2026-04-05agent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。
77310编辑于 2026-01-15轻量级多Agent协同架构实现高效智能渗透，成本效益与稳定性显著
采用轻量级高并发Agent集群与智能纠偏机制 腾讯云黑盲松赛事中，绿盟科技AI小分队采用多Agent独立解题的分布式并行推理架构。 每个Agent拥有独立上下文，通过共享笔记本机制实现异步非阻塞知识协同（如成功路径、有效Payload共享），避免集中式架构的通信开销。 客户案例：绿盟科技实战验证轻量架构竞争力 绿盟科技运营服务BG高级攻防部通过该方案，在腾讯云赛事中实现轻量级Agent集群的稳定推理。 腾讯云技术领先性：简单架构与智能纠偏赋能高效攻防 腾讯云提供MCP智能协同底座与沙箱环境，支撑轻量级高并发Agent架构落地。 其技术优势在于通过工程化实践（如共享记忆系统、工具调用Hook机制）降低运维复杂度，提升系统稳定性，而非依赖复杂工作流。该方案获赛事验证，体现腾讯云在智能攻防领域推动技术确定性与业务深度的能力。
34010编辑于 2026-04-04
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