Yeats' Wiki

外观

多智能体协作：AutoGen 与 CrewAI 的角色分工 ​

单个 LLM 再强，也有思维盲区和幻觉。 正如人类社会分工合作一样，让多个不同角色的 Agent 互相协作、甚至辩论，往往能解决单个 Agent 搞不定的复杂任务。 这就是 Multi-Agent Systems (MAS) 的核心思想。 微软的 AutoGen 和 CrewAI 是目前最流行的两个框架。

1. 为什么需要多智能体？ ​

1.1 分工明确 (Specialization) ​

让一个通才 Agent 写代码、测试、写文档，它可能会顾此失彼。 不如拆分成三个专才：

  • Developer Agent: 专注写代码。
  • Tester Agent: 专注找 Bug。
  • Writer Agent: 专注写文档。 每个 Agent 可以用不同的 Prompt，甚至不同的底层模型（Coder 用 DeepSeek，Writer 用 Claude）。

1.2 自我修正 (Self-Correction) ​

单 Agent 容易陷入死循环。 多 Agent 引入了反馈回路 (Feedback Loop)。 Tester 发现 Bug，反馈给 Developer，Developer 修改，再提交给 Tester。 这种对抗生成 (Adversarial) 的过程能显著提升最终结果的质量。

2. AutoGen 框架详解 ​

微软开源的 AutoGen 是目前最强大的 MAS 框架。 它的核心概念是 ConversableAgent（可对话智能体）。 Agent 之间通过发送消息来协作。

2.1 角色定义 ​

python
from autogen import AssistantAgent, UserProxyAgent

# 1. 开发者
coder = AssistantAgent(
    name="Coder",
    system_message="You are a senior python engineer. Write code to solve problems.",
    llm_config=llm_config
)

# 2. 用户代理 (负责执行代码)
user_proxy = UserProxyAgent(
    name="User_Proxy",
    human_input_mode="NEVER",
    code_execution_config={"work_dir": "coding"}
)

# 3. 开始对话
user_proxy.initiate_chat(coder, message="Plot a stock price chart for NVDA.")

2.2 自动反馈循环 ​

Coder 生成代码 -> UserProxy 执行代码 -> 如果报错，把错误信息发回给 Coder -> Coder 修正代码 -> UserProxy 再次执行... 直到任务完成。

3. CrewAI 框架详解 ​

CrewAI 更侧重于角色扮演 (Role-Playing) 和 任务编排 (Orchestration)。 它基于 LangChain，更易上手。

3.1 定义 Crew (团队) ​

python
from crewai import Agent, Task, Crew

# 1. 定义角色
researcher = Agent(
    role='Senior Researcher',
    goal='Uncover groundbreaking technologies',
    backstory='Driven by curiosity, you explore the depths of the internet.',
    tools=[SearchTool()]
)

writer = Agent(
    role='Tech Writer',
    goal='Write compelling articles about tech trends',
    backstory='You simplify complex topics for the general public.'
)

# 2. 定义任务
task1 = Task(description='Research the latest AI trends.', agent=researcher)
task2 = Task(description='Write a blog post based on the research.', agent=writer)

# 3. 组建团队
crew = Crew(
    agents=[researcher, writer],
    tasks=[task1, task2],
    process=Process.sequential # 顺序执行
)

# 4. 开工
result = crew.kickoff()

4. 辩论机制 (Debate) ​

除了协作，还可以让 Agent 吵架。 比如让一个 Agent 提出观点 A，另一个 Agent 反驳（Devil's Advocate）。 第三个 Agent 作为法官，综合双方观点得出结论。 这种机制能有效减少幻觉，提升推理的深度。

多智能体协作是 AI 应用架构的未来。 它让我们从编写 Prompt 转向了组织架构设计。 你需要思考的不是“怎么问 LLM”，而是“我需要雇佣什么样的员工，他们之间该怎么配合”。 这就像是在管理一家虚拟公司。