多智能体系统（Multi-Agent System，MAS）是指由多个自治的 AI Agent 组成、通过分工与协作共同完成复杂任务的系统架构。每个 Agent 拥有独立的角色、目标、工具与记忆，像一支团队一样各司其职。
单个 Agent 在简单任务上表现不错，但面对复杂任务时往往力不从心：
- 一次要完成多类子任务（调研、写作、检查），单 Agent 上下文易混乱；
- 需要多领域专业能力，单模型难以全部覆盖；
- 缺乏「复核」机制，出错不易被发现。
多智能体通过分而治之 + 相互校验解决这些问题：让「研究员」Agent 负责收集资料、「写手」Agent 负责撰写、「审核员」Agent 负责检查，每个 Agent 只做自己擅长的事。
- 流水线模式：任务按顺序在 Agent 间传递，前一环输出是后一环输入，适合流程固定的任务；
- 主管-下属模式：一个「主管」Agent 负责拆解任务并调度多个「下属」Agent，适合复杂项目管理；
- 辩论/评审模式：多个 Agent 各自给出方案并相互质疑，提高最终质量；
- 混合模式：多种协作方式组合，动态编排。
构建一个多智能体系统通常需要：
- Agent 框架：如 CrewAI、LangGraph、AutoGen 等，负责角色定义与任务编排；
- 通信机制：Agent 之间的消息传递与上下文共享；
- 工具系统：每个 Agent 可调用的搜索、代码、API 等工具；
- 编排与调度：任务分配、依赖管理、并行执行与容错；
- 评估与记忆：共享记忆与结果评估，支持系统持续改进。
- 企业知识工作：调研 → 撰写 → 审核 → 发布的自动化内容生产线；
- 软件开发：需求分析、代码生成、测试、代码评审的 Agent 团队；
- 客户服务：前台接待、问题诊断、专家处理的协同体系；
- 研究分析：资料收集、数据整理、报告生成的自动化工坊。
- 成本与延迟：多 Agent 串行调用模型，Token 消耗与响应时间显著增加；
- 错误传播：上游 Agent 的错误会沿协作链放大；
- 编排复杂度：任务拆解与角色设计需要经验，过度拆分反而低效。
多智能体系统是 AI 从「单打独斗」走向「团队作战」的关键架构，也是 2026 年 Agent 应用工程化的主流方向，适合任务复杂、专业分工明确、质量要求高的场景。
