多智能体协作：让一群 AI 分工干活

让一个人同时当调研员、写手和审稿人，他也能干，但难免顾此失彼：写的时候舍不得删，自己审自己写的东西，也总觉得没毛病。公司解决这个问题的办法是分工：各管一摊，互相把关。

多智能体协作（Multi-Agent）就是把这个思路搬到 AI 身上：让多个 AI 智能体各自扮演不同的角色，配上不同的指令和工具，像一个小团队一样合作完成一件大事。

为什么要「一群」，而不是「一个」

前面我们讲了单个智能体如何感知、规划、行动、反思。既然一个智能体就能办事，为什么还要一群？主要有四个原因：

• 更专注：每个角色只管一件事，指令更短、更聚焦，上下文也不会被无关信息塞满。
• 能并行：可以同时开工的事分头去做，比如同时调研 5 个竞品，而不是一个一个排队。
• 能互相检查：写和审分开，更容易发现问题。这和「自己检查自己的作文，总看不出错别字」是一个道理。
• 权限可隔离：不同角色配不同的工具，比如只有「执行者」能改数据，「调研员」只能读。

有意思的是，这些「不同的 AI」很多时候背后是同一个大模型，只是拿到了不同的角色设定和工具。就像同一位演员，换一身戏服、拿一份新剧本，就演出了另一个角色。所以多智能体的关键不在于「用了几个模型」，而在于怎么分工、怎么交接。

四种常见的协作方式

「讨论」模式可能最出乎意料。比如要决定是否开第二家门店，可以让「乐观的投资人」「谨慎的财务」「挑剔的顾客」各说一轮，再由一个「主持人」总结分歧和共识。它未必给出标准答案，但能帮你看到自己没想到的角度。

以「主管—执行」为例，一次调研任务可能是这样流转的：

用户：帮我做一份新能源汽车行业的入门调研
  ↓
【主管】把任务拆成三块，分头派发
  ├─【调研员 1】查政策动态
  ├─【调研员 2】查市场格局   （三个人同时进行）
  └─【调研员 3】查技术路线
  ↓
【主管】汇总成初稿
  ↓
【审稿员】检查事实和逻辑，列出问题清单
  ↓
【主管】根据意见修改，交付给用户

这里同时用到了三种模式：主管派活是「主管—执行」，三个调研员同时开工是「并行」，审稿员挑错再由主管修改，则是「生成—评审」。真实的系统往往就是这样组合起来的。

人多不一定力量大：多智能体的代价

团队协作有成本，AI 团队也一样。这和开会很像：三个人开会可能很高效，十个人开会就常常「开了一下午，没有结论」。具体来说：

• 更费钱、更慢：每个角色都要读材料、写输出、互相传递，消耗的 token 和等待时间，通常明显多于单个智能体完成同样的事。
• 传话走样：信息在角色之间层层转述，细节会丢，就像「传话游戏」传到最后一个人，意思已经变了。
• 错误被放大：上游调研员的一个错误数据，会被下游当成事实写进报告；审稿员要是没查出来，就一路错到底。
• 评审走过场：AI 评审往往「很客气」，一句「整体很好」就放过去了。
• 难以排查：结果不对时，很难判断是哪个环节出了问题。

对应的办法也很朴素：给每个角色写清职责、输入、输出格式和交接标准；给评审一份具体的检查清单，要求必须指出问题；保留每个角色的输入和输出记录；设定明确的结束条件，并由一个角色（或者你本人）对最终结果负责。

什么时候该用，什么时候别用

适合用：任务大、能拆成相对独立的几块；需要同时收集大量信息；质量要求高，值得多一道审核；不同环节需要隔离权限。

不必用：简单问答、短文案、一次性的小任务；每一步都紧密依赖上一步全部细节的任务；对速度和成本很敏感的场景。

一个实用的原则是：先用一个智能体加上好的提示词把事情做成，真遇到瓶颈了，再考虑拆成多个角色。对比一下：

错误示范：为了写一条朋友圈文案，组建「市场总监 + 文案 + 设计 + 法务 + 老板」
         五个 AI 角色轮流开会。

正确示范：让一个 AI 写 3 个版本，再让它换成「挑剔的顾客」视角点评一轮，
         根据点评挑出一版修改。

对企业来说，多智能体更像是「流程自动化」的升级版：先把一个流程里的各个环节和交接标准写清楚，再决定哪些环节交给 AI 角色、哪些环节必须由人签字确认。流程本身没理顺，多加几个 AI 只会把混乱放大。

在对话里就能体验分工

不需要专门的平台，你也能体验多智能体的思路：在一次对话里让 AI 依次扮演不同角色；或者开几个对话窗口分别设定角色，由你来当「主管」传递材料。其中最值得先学会的，是「评审」角色的写法：

你是【审稿人】，你的唯一任务是找问题，不负责改写。
请从三个角度检查下面的方案：
1. 事实：有没有缺乏依据的数字或说法？
2. 逻辑：结论能否从前文推出？有没有漏掉的关键环节？
3. 读者：目标客户看完会有什么疑问？
每个角度至少指出 1 个问题，并按严重程度排序。

【方案】
（把方案粘贴在这里）

用好这个模板有个小技巧：把审稿意见交回给写方案的那个对话去修改，而不是让审稿人自己动手改。职责分开，检查才不会变成「自己给自己打分」。

回头看整个系列：RAG 给了 AI 参考书，工具调用给了它手脚，智能体给了它工作方法，MCP 给了它统一的接口，多智能体则让它学会了团队协作。从「会聊天」到「会办事」，每一步都离不开同一个前提：人要把目标讲清楚，并在关键处把关。

本节要点

• 多智能体让多个 AI 角色分工合作，好处是更专注、能并行、能互相检查、权限可隔离。
• 常见的协作方式有流水线、主管—执行、生成—评审和讨论，实际系统常常组合使用。
• 代价是更费钱、更慢，信息会走样，错误会放大，评审容易走过场。
• 写清每个角色的职责和交接标准，给评审具体的检查清单，并保留每一步的记录。
• 先用单个智能体把事做成，真遇到瓶颈再拆分成多个角色。