企业级 Agent 多智能体架构与选型指南 -- 来自1000+行业应用实践积累


本文基于我们服务阿里巴巴多条业务线(淘天、闪购、爱橙、云智能、高德、饿了么、1688、蚂蚁、菜鸟等)、众多社区用户(如友邦、海尔、建设银行等)、超 1000+智能体应用实践经验积累。


本文发表前,我们刚刚发布了框架新版本,Spring AI Alibaba 全面升级对 AgentScope 框架支持,以 AgentScope ReActAgent 为核心,全面支持基于 AgentScope 的多智能体编排。 


AgentScope Java 1.0.10 版本:

https://github.com/agentscope-ai/agentscope-java/tree/main/agentscope-examplesSpring 


AI Alibaba 1.1.2.2 版本:

https://github.com/alibaba/spring-ai-alibaba/releases/tag/v1.1.2.2

背景

随着智能体在企业的规模化落地,企业的核心关注点已从「大模型能做什么」转向「如何让 AI 真正驱动业务闭环」。单纯依靠大模型闲聊的时代正在结束,业界焦点越来越多地落在智能体流程自动化——即让多个专职智能体在清晰流程中协作,完成高价值、可复现的任务。业界一些实证研究表明,在处理多跳推理等复杂问题时,多智能体协作架构的准确率比单一基础模型可高出约 32%;通过引入专门的「批评」与「优化」智能体,事实检索准确率可提升约 26%,模型幻觉显著降低。

AgentScope 社区在服务企业用户智能体实践落地的过程中,积累了大量有效的、适用于不同业务场景的多智能体模式,包括 Supervisor、Handoffs、Subagent、Routing 等。在 AgentScope Java 生态中,我们将这些多智能体模式沉淀为具体的框架抽象与代码示例,用户可根据业务选型直接映射到对应的智能体实现,甚至可以基于我们提供的示例直接修改即可实现业务开发。

从最简单的 ReActAgent 单智能体开始

在构建复杂的 AI 应用时,AgentScope 强调一个务实的工程原则:单智能体优先(Single Agent First)。

publicstaticvoidmain(String[] args){    // 准备工具    Toolkit toolkit = new Toolkit();    toolkit.registerTool(new SimpleTools());
    // 创建智能体    ReActAgent jarvis = ReActAgent.builder()        .name("Jarvis")        .sysPrompt("你是一个名为 Jarvis 的助手")        .model(DashScopeChatModel.builder()            .apiKey(System.getenv("DASHSCOPE_API_KEY"))            .modelName("qwen3-max")            .build())        .toolkit(toolkit)        .build();
    // 发送消息    Msg msg = Msg.builder()        .textContent("你好!Jarvis,现在几点了?")        .build();
    Msg response = jarvis.call(msg).block();    System.out.println(response.getTextContent());}

绝大多数日常业务需求,完全可以通过「一个单体大模型 + 一组精准适用的外部工具」来解决。单智能体具有低延迟、易于逻辑推理和方便故障排查的天然优势。只有当业务系统的需求跨越了特定的复杂度阈值时,才应考虑向多智能体架构演进。这些阈值包括:

  • 上下文管理(Context Management):任务所需的专业知识体量过大,单个上下文窗口无法承载,需要按步骤或按智能体选择性呈现。
  • 职责分工(Division of Labor):不同团队需要独立维护各自领域的专家能力与权限边界,并在清晰边界下组合使用。
  • 并行化加速(Parallelization):复杂子任务必须并发执行以大幅降低系统延迟,例如多角度调研、多源查询。
  • 结构化流转(Structured Flow):业务要求按照严格的工序(如分类、路由、处理)或角色状态(如销售到客服的切换)进行传递,单智能体难以自然保证这些约束。

在实践中,许多系统采用混合级联范式(Agent Cascade):前端通过轻量级模型评估任务复杂度,简单任务由单智能体处理,只有置信度低或高度复杂的请求才下放给多智能体网络。这种级联设计在保持整体准确率的同时,能显著降低部署与算力成本,在数学推理等极端任务中甚至可实现可观的算力削减。因此,建议先单智能体 + 工具,再根据上述阈值判断是否引入多智能体。

AgentScope 支持的多智能体模式

当前,AgentScope 提供多种开箱即用的多智能体模式,并支持通过 StateGraph (基于Spring AI Alibaba AgentScope 生态集成)实现自定义工作流。以下是我们总结的几种常用多智能体模式(包含它们的作用与适用场景)。

模式

作用

适用场景

Pipeline

固定流程:顺序(A→B→C)、并行(同一输入给多智能体再合并)、循环(子流程重复直到条件满足)

流程明确,如自然语言→SQL→评分,或一主题多角度调研→合并报告

Routing

分类 → 专家 → 综合:路由器对输入分类,转发给一个或多个专家,结果合并为单一回答

多垂直领域(如 GitHub、Notion、Slack),一次请求完成「分类→专家→合并」

Skills

按需披露:智能体只看到技能名/描述,通过 read_skill 按需加载完整内容(如 SKILL.md)

单智能体多种专长,不想一次性把所有领域文本塞进上下文

Subagents

编排智能体通过 Task 工具将工作委托给子智能体;子智能体可用 Markdown 或代码定义,每次调用无状态

领域清晰(日历、邮件等),希望单一入口完成路由与结果合并。

  • 和Supervisor类似,只是subagent定义方式不同。
  • 相比skills可以实现子智能体间上下文隔离。

Supervisor

监督者将专家当工具调用(一专家一工具,如 schedule_event、manage_email)

领域清晰(日历、邮件等),希望单一入口完成路由与结果合并。

  • 和Subagents类似,只是subagent定义方式不同
  • 相比skills可以实现子智能体间上下文隔离。

Handoffs

状态驱动:工具更新状态变量(如 active_agent),图根据该变量路由到不同智能体

按角色或顺序交接(如销售 ↔ 支持),对话中「当前负责」的智能体会变化

Custom Workflow

StateGraph 自定图:顺序、条件、确定性步骤与智能体步骤混合

以上模式不适用的情况下,如需要多阶段、显式控制或非 LLM 与 LLM/智能体步骤混合

从实现机制上可以这样理解:

  • Pipeline 通过全局的 OverAllState 在顺序(SequentialAgent)、并行(ParallelAgent)、循环(LoopAgent)三种子形态间传递状态;
  • Routing 作为分发枢纽,利用分类器解析输入意图并将任务送达领域专家,支持简单一次调用或基于 StateGraph 的前后处理扩展;
  • Skills 采用「选择性披露」——主智能体仅保留技能摘要,通过 read_skill 按需加载完整 SKILL.md,有效控制上下文膨胀;
  • Subagents 由编排者通过 Task 工具委派给在隔离上下文中运行的无状态子智能体;
  • Supervisor 则将专家视为对话中的工具,由监督者在动态上下文中决定唤醒谁;
  • Handoffs 通过工具调用更新 active_agent 等状态,依赖 ReplaceStrategy 与图条件边实现角色间平滑切换;
  • Custom Workflow 则直接使用 StateGraph,将确定性业务逻辑与 LLM 节点编织成自定义网络。

这些模式既可以单独使用,也可以组合使用——例如 Supervisor 监督者通过 Agent as Tool 调用专家、图中某段用 Handoffs、另一段用 Routing,按流程各部分需求选择最合适的模式即可。

多智能体模式分类:工作流 vs 对话

在上一节提到的所有多智能体模式,总体上可划分为两大类:工作流模式(Workflow Patterns)与对话模式(Conversation Patterns)。企业开发者需要在这二者之间做出权衡,并理解各自的优势与局限。

工作流自动化(Workflow Automation)

工作流模式代表系统工程中的确定性骨架:智能体被编排在预先定义好的有向无环图(DAG)或线性管道中,流程在智能体或节点之间流转,拓扑和状态在图或管道中显式定义。AgentScope 中的 Pipeline、Routing、Handoffs、Custom Workflow 均属此类。

  • 优势:具有极高的可预测性、低资源消耗和良好的审计追踪能力。由于执行路径固定,非常容易调试,是金融审批、文档生成等高合规要求场景的常见选择。
  • 劣势:要求在开发初期对任务进行较完整的规约,对未曾设想的新型模糊输入适应性有限。

对话模式 / 自治智能体(Conversational Agents)

决策过程发生在一个连续的对话上下文中,由大模型自主决定何时调用何种外部工具。通常只有主智能体与用户交互并将结果输出给用户。Supervisor、Subagents、Skills 属于对话模式。

  • 优势:能够优雅地应对复杂的边缘场景和开放式问题,在人类无法预判路径的环境中展现出较高的适应性。
  • 劣势:容易产生难以控制的「复合误差(Compounding Errors)」,计算 Token 成本较高,且非确定性导致系统调试相对困难。

最佳实践:混合工作流

生产环境的常见做法是采用混合工作流——以确定的工作流作为应用的「脊椎」,仅在需要高度认知灵活性的特定节点(如意图分类、复杂草案生成)引入自治智能体,从而兼顾系统的可靠性与 AI 的智能弹性。其余能力(如 MsgHub、Multi-Agent Debate)可与上述两类组合使用,用于实现交接、辩论或「智能体即工具」等能力。

比较维度

工作流模式(Workflow)

对话模式(Conversational)

控制流机制

显式的图拓扑或线性管道,可以是路径固定、也可以是基于意图的动态职责交接

在连续对话上下文中完全由模型动态决策

核心优势

高重复性、审计友好、极易调试

适应开放式任务与未知输入

关键局限

缺乏灵活性,需提前指定步骤或可能的流转方向

易产生复合误差,Token 成本较高

核心模式详解

本节对其中五种最常用、最易混淆的模式做进一步展开,便于你在实现与选型时快速对标。

Pipeline:顺序、并行与循环

Pipeline 为任务执行提供序列与并发保证,是工作流模式的典型代表。

基于 Spring AI Alibaba 的 SequentialAgent、ParallelAgent、LoopAgent 与 AgentScopeAgent,子智能体按固定拓扑执行,系统状态通过全局的 OverAllState 对象无缝传递,通过 instruction 与 outputKey 串联各环节的输入输出。

典型场景:

  • 顺序:自然语言 → SQL 生成器 → SQL 评分器,前一环节输出作为下一环节输入。
  • 并行:同一主题从技术、金融、市场三个角度同时调研,再合并为一份报告。
  • 循环:生成 SQL 并评分,若得分低于阈值则迭代优化,直到满足条件或达到最大轮数。

实现要点:

每个子环节用 ReActAgent 构建,再通过 

AgentScopeAgent.fromBuilder(...).instruction(...).outputKey(...) 封装为管道节点;PipelineService 对外提供 runSequential、runParallel、runLoop,业务侧只需传入输入字符串即可获得结构化结果。

— 以上为试看内容(约 40%),开通会员后阅读全文 —