Multi-Agent 五种常见架构
核心理解
- Router 是「分流」
- Sequential /Pipeline 是「流水线」
- Supervisor Pattern（顶层总管） / Orchestrator（通用编排器） 是「动态调度」
- Hierarchical 是「分层调度」
- Peer-to-Peer / Mesh 是「平级协作」
实际企业系统中，Orchestrator 是主流，其次是 Router / Sequential。
五种架构总览
PNG 备用：01_五种架构总览.png
| 架构 | 核心思想 | Agent 关系 | 流程是否固定 | 典型场景 |
|---|---|---|---|---|
| Router | 分流 | 基本独立 | 相对固定 | 企业统一 AI 入口 |
| Sequential Pipeline | 流水线 | 顺序协作 | 固定 | 合同审核、内容生产 |
| Supervisor / Orchestrator-Worker | 调度 | 中心协调 | 动态 | 故障排查、数据分析 |
| Hierarchical | 分层调度 | 多级上下级 | 动态 | 超复杂企业任务 |
| Peer-to-Peer / Mesh | 平级协作 | Agent 直接通信 | 高度动态 | 探索型、多专家协作 |
一、Router —— 分流型
一句话： 先判断「这个问题应该交给谁」，再把请求分发给对应的专业 Agent。
PNG 备用：02_Router_分流型.png
1.1 是什么
通过一个 Router 对用户请求进行意图识别 / 领域判断，然后将请求路由到对应的专业 Agent。
核心解决：
这个问题应该交给谁？
通常一次请求只进入一个专业 Agent，后续 Agent 之间基本不发生协作。
1.2 适用场景
适合：
- 用户意图比较明确；
- 不同业务领域相互独立；
- 一次请求通常只需要一个专业 Agent；
- 希望架构简单、稳定、容易控制。
1.3 企业落地场景
企业统一 AI 助手
| 用户问题 | Router 判断 | 执行 Agent |
|---|---|---|
| 我的年假还有多少？ | HR 领域 | HR Agent |
| 帮我查一下本月销售额 | 数据分析领域 | 数据分析 Agent |
| 帮我分析一下这个线上报错 | 技术领域 | 技术 Agent |
Router 只负责选择执行者，不负责完成 HR、数据分析或技术排查任务。
1.4 核心特点
多 Agent，但不强调 Agent 之间协作。
可以概括为：
Router-based Multi-Agent = 多 Agent + 路由分流
二、Sequential Pipeline —— 流水线型
一句话： 不决定「谁来做」，而是规定「按照什么步骤做」。
2.1 是什么
将复杂任务拆成多个固定步骤，由不同 Agent 按照预先定义好的顺序依次执行。
核心解决：
这个任务应该按照什么固定流程完成？
与 Supervisor 的最大区别：
| 架构 | 流程决策方式 |
|---|---|
| Sequential Pipeline | 流程通常提前确定 |
| Supervisor | 执行过程中动态决定下一步 |
2.2 适用场景
适合：
- SOP 明确；
- 流程稳定；
- 每一步都有明确输入 / 输出；
- 前后步骤存在明确依赖；
- 业务流程可以标准化。
2.3 企业落地场景
| 场景 | 固定执行链路 |
|---|---|
| 合同审核 | 合同上传 → 信息提取 Agent → 条款分析 Agent → 风险识别 Agent → 合规检查 Agent → 报告生成 Agent |
| 内容生产 | 热点分析 → 选题 Agent → 文案 Agent → 素材 Agent → 审核 Agent → 发布 |
| 招聘流程 | 简历解析 → 候选人筛选 → 岗位匹配 → 面试题生成 → 面试评价 |
| 数据生产 | 数据接入 → 质量校验 → 指标计算 → 口径检查 → 数据发布 |
Pipeline 的关键不是 Agent 有多聪明，而是每一步都必须按约定顺序发生。
2.4 核心特点
流程固定、依赖明确、结果可复现。
它重点解决的是：
这个任务应该按照什么步骤完成？
三、Supervisor Pattern —— 调度型
一句话： Supervisor 像项目经理，动态拆解任务、安排 Worker，并汇总最终结果。
PNG 备用：04_Supervisor_调度型.png
3.1 是什么
由一个 Supervisor / Orchestrator 作为任务协调者，根据用户任务动态拆解、分配和管理多个 Worker Agent。
可以把 Supervisor 理解成：
项目经理
Supervisor 可以动态决定：
- 是否拆分任务；
- 拆成哪些子任务；
- 哪个 Agent 执行；
- 哪些任务可以并行；
- 哪些任务存在依赖；
- 是否需要重试；
- 是否需要进一步调用其他 Agent；
- 如何汇总最终结果。
3.2 适用场景
适合：
- 复杂任务；
- 需要动态任务拆解；
- 一个问题需要多个专业能力；
- 子任务可以并行；
- 子任务之间存在依赖；
- 需要结果汇总 / 校验。
3.3 企业落地场景
智能故障排查
员工提出：
「帮我分析一下昨天订单下降的原因，并判断是不是最近代码发布导致的。」
Supervisor 可以同时调用：
| Worker | 负责内容 |
|---|---|
| 日志分析 Agent | 检索错误日志，定位异常链路 |
| 业务数据 Agent | 查询订单指标，验证业务影响 |
| 发布 / 代码分析 Agent | 检查发布差异和代码变更 |
最后由 Supervisor 汇总结果，输出根因分析、证据链和修复建议。
企业数据分析
| Supervisor 调度的 Agent | 职责 |
|---|---|
| SQL Agent | 查询明细数据 |
| 指标 Agent | 计算业务指标 |
| BI Agent | 生成图表和报表 |
| 数据解释 Agent | 解释变化原因 |
企业研究报告
| Supervisor 调度的 Agent | 职责 |
|---|---|
| 搜索 Agent | 收集公开信息 |
| 数据分析 Agent | 处理结构化数据 |
| 行业研究 Agent | 补充行业脉络 |
| 报告生成 Agent | 汇总成最终报告 |
3.4 Router vs Supervisor
这是最容易混淆的地方。
| 对比项 | Router | Supervisor |
|---|---|---|
| 主要动作 | 选择分流 | 动态组织协作 |
| Agent 数量 | 通常只进入一个 | 可调用多个 |
| 任务关系 | 基本独立 | 可并行、可依赖 |
| 最终汇总 | 专业 Agent 自己完成 | Supervisor 统一汇总 |
| 核心问题 | 「找谁？」 | 「怎么组织大家一起做？」 |
因此：
Router 解决「找谁」，Supervisor 解决「怎么组织多个 Agent 一起做」。
四、Hierarchical —— 分层型
一句话： Supervisor 下面还有 Supervisor，用层级边界拆分复杂度。
PNG 备用：05_Hierarchical_分层型.png
4.1 是什么
Hierarchical 可以理解为：
Supervisor 下面还有 Supervisor。
通过多个层级的协调者，对复杂任务进行分层管理。例如：
| 层级 | 角色 | 职责 |
|---|---|---|
| 第一层 | 总 Supervisor | 决定任务进入哪个业务域 |
| 第二层 | 技术 / 数据 / HR 域 Supervisor | 负责域内任务拆解和调度 |
| 第三层 | 专业 Worker Agent | 执行具体子任务 |
可以类比企业组织架构：
总负责人 → 部门负责人 → 小组负责人 → 专业员工
4.2 适用场景
适合：
- 任务规模非常大；
- Agent 数量很多；
- 存在明显业务 / 领域层级；
- 单个 Supervisor 难以管理全部 Agent；
- 不同领域需要独立进行任务协调。
4.3 企业落地场景
例如大型企业 AI：
| 业务域 | 域内 Supervisor 可调度 | 最终目标 |
|---|---|---|
| 技术域 | 日志、代码、发布 Agent | 完成技术问题定位与方案生成 |
| 数据域 | SQL、BI、指标 Agent | 完成数据分析与解释 |
| HR 域 | 招聘、制度、薪酬 Agent | 完成员工问题处理与政策查询 |
总 Supervisor 只需要关注：
「这个任务应该交给哪个业务域？」
技术域 Supervisor 再负责：
「这个技术问题应该交给日志、代码还是发布 Agent？」
4.4 核心特点
通过层级拆分复杂度。
但代价也比较明显：
- 架构复杂；
- 调试困难；
- 调用链变长；
- 上下文管理复杂；
- Agent 决策成本增加。
因此，不是系统越大就一定越应该采用 Hierarchical。
五、Peer-to-Peer / Mesh —— 平级协作型
一句话： 没有绝对中心，多个 Agent 通过直接通信、协商和调用完成任务。
PNG 备用：06_PeerToPeer_Mesh_平级协作.png
5.1 是什么
Agent 之间没有一个绝对的中心协调者，多个 Agent 可以直接相互通信、协商和调用。
可以理解成：
几个专家坐在一起开会，自己协商完成任务。
5.2 适用场景
适合：
- Agent 自主性要求高；
- Agent 之间需要频繁交流；
- 任务难以提前定义固定流程；
- 任务具有探索性；
- 希望 Agent 动态协作。
5.3 企业落地场景
例如产品研发 Agent 团队：
| Agent | 在协作中的关注点 |
|---|---|
| 产品 Agent | 需求价值与交付范围 |
| 技术 Agent | 技术可行性与实现成本 |
| 数据 Agent | 数据完整性、口径与供应能力 |
| 架构 Agent | 系统边界与长期演进 |
| 测试 Agent | 验收风险与质量保障 |
协作对话可能是：
- 产品 Agent：「这个需求技术上能不能实现？」
- 技术 Agent：「可以，但需要数据 Agent 提供数据支持。」
- 数据 Agent：「我需要先确认数据是否完整。」
- 测试 Agent：「这个方案存在测试风险。」
多个 Agent 通过不断沟通完成任务。
5.4 核心问题
Mesh 虽然灵活，但企业生产环境需要重点考虑：
- 调用链不可控；
- 循环调用；
- 权限管理；
- Token / API 成本；
- 可观测性；
- Debug 难度；
- 最终责任归属。
因此相比 Supervisor / Pipeline，企业通常会更加谨慎。
六、五种架构横向对比
| 架构 | 核心思想 | Agent 关系 | 流程是否固定 | 最典型场景 |
|---|---|---|---|---|
| Router | 分流 | 基本独立 | 相对固定 | 企业统一 AI 入口 |
| Pipeline | 流水线 | 顺序协作 | 固定 | 合同审核、内容生产 |
| Supervisor | 调度 | 中心协调 | 动态 | 故障排查、数据分析 |
| Hierarchical | 分层调度 | 多级上下级 | 动态 | 超复杂企业任务 |
| Peer-to-Peer / Mesh | 平级协作 | Agent 直接通信 | 高度动态 | 探索型、多专家协作 |
七、最简单的记忆方式
| 架构 | 公司类比 | 一句话 |
|---|---|---|
| Router | 前台 | 「你找谁？」 |
| Pipeline | 流水线 | 「按照 SOP，一个接一个干。」 |
| Supervisor | 项目经理 | 「这个项目你们几个一起干，我来安排。」 |
| Hierarchical | 公司组织架构 | 「总经理 → 部门经理 → 员工。」 |
| Peer-to-Peer | 专家会议 | 「没有老板，你们自己商量。」 |
记忆口诀：
Router 看分流，Pipeline 看步骤，Supervisor 看调度，Hierarchical 看层级，Mesh 看协商。
八、一个实际场景的企业架构
