Google 把多智能体拆成 8 种模式:单体 Agent 时代该翻篇了
Google 在 ADK(Agent Development Kit)文档里画过一张图——8 种多智能体设计模式,从 Sequential Pipeline 一直排到 Composite Pattern。这张图现在已经是 Agent 工程圈的事实标准,被反复引用、反复改写。
但它真正值得拿来写一篇长文,不是因为"新"——它已经发布半年了。而是因为国内大部分做 AI 应用的人,到现在还在用单体 Agent:一个 prompt 塞到底,一段上下文从头用到尾,模型一变笨整个系统就崩。Google 这张图提供的是一条逃出单体陷阱的路径,而绝大多数团队根本没用上。
这篇文章把这些模式拆开讲清楚——每一种到底适合什么场景,什么情况下千万别选。文章最后再把它放回 2026 年更大的版图——Anthropic 同期的 5 种 Workflow 模式、A2A/MCP 协议栈、以及"Agent 间通信"这条更前沿的赛道。
一、先看清楚地基:所有模式都建在三块原语上
很多文章把这 8 种模式当作平铺的清单来讲,那是看错了层次。Google 这套东西真正的高明之处,是先定义了三个编排原语,然后用这三个原语拼出 8 种模式:
| Sequential(顺序) | ||
| Parallel(并行) | ||
| Loop(循环) |
在这三块原语之上,再叠加 LlmAgent(大脑)和 AgentTool(把子 Agent 包成工具),就拼出了 8 种模式。这件事的工程意义是:你不需要记 8 个新概念,只需要理解 3 个。剩下的都是组合。
Google 还顺手立了一条贯穿全文的工程红线:session.state 是所有 Agent 共享的那块白板。跨 Agent 传数据,本质上就是往这块白板上写 key、读 key。这条红线会贯穿后面所有模式。
二、8 种模式逐个拆解
模式 1:Sequential Pipeline(顺序流水线,别名 the assembly line)
▲ 官方架构图 1/8
机制:用 SequentialAgent把多个 LlmAgent串成一条线。每个 Agent 把自己的输出通过 output_key写进 session.state,下一个 Agent 从这个 key 接力。
适合什么场景:最经典的是数据处理流水线——上游产物天然是下游的输入,步骤固定、可预测。比如:
-
文档处理链
:PDF 解析 → 结构化字段抽取 → 摘要生成 → 多语言翻译。每一步的输出格式都明确,下一步直接消费。 -
客服工单分级
:意图识别 → 情绪判断 → 业务分类 → 路由到对应处理流程。每一步只做一件事,失败时能精确定位是哪一环出错。 -
报表生成
:查数据库 → 数据清洗 → 异常值标注 → 生成文字解读 → 套模板输出。每一步都是确定性的变换。 -
代码任务流水
:需求拆解 → 生成实现方案 → 写代码 → 跑测试 → 生成 commit message。
判断标准(满足越多越适合):
步骤之间的依赖关系是线性的——B 必须等 A 完成,C 必须等 B 完成。 每一步的输入输出格式能提前定义清楚,不会随运行时变化。 你需要精确的失败定位——第几步出错、为什么错。 步骤数不会动态变化(不是"有时候 3 步有时候 7 步")。
什么时候别选 Sequential:只要这四条有一条不满足,就该考虑别的模式。最常见的反例:
如果"下一步去哪"取决于上一步的内容(不是单纯的执行完成),该用 Coordinator/Dispatcher。 如果多个步骤互相独立(不需要等彼此),硬串成 Sequential 会白白浪费时间,该用 Parallel。 如果某一步可能失败需要重试或回退,Sequential 不会帮你处理,得叠加 Loop。
我的观点是:Sequential 看起来朴素,但它是唯一一种你可以闭着眼睛调试的模式。任何复杂系统调试不动了,把它拆回 Sequential 都能跑通——这也是 Google 把它列为第一条的原因。如果你现在还在用单体 Agent,第一步永远是先把它拆成 Sequential,别一上来就追 Coordinator 那种花活。
模式 2:Coordinator/Dispatcher(协调者分发,别名 the concierge)
▲ 官方架构图 2/8
机制:一个父级 CoordinatorAgent(本质是个 LlmAgent)+ 一组 sub_agents。ADK 的 AutoFlow机制会根据子 Agent 的 description字段,让 LLM 自动决定路由到哪个子 Agent。
适合什么场景:核心特征是一个入口、多个出口,出口由内容决定。典型场景:
-
客服机器人分流
:用户问什么不知道,可能是账单、可能是技术问题、可能是投诉。Coordinator 看一眼意图,路由到对应专家。 -
企业知识库问答
:同一个问答入口,问题可能涉及 HR 政策、IT 操作、产品文档、法务条款——每个领域一个子 Agent,背后接不同的知识库。 -
多技能助手
:用户说"帮我订下周的机票顺便提醒我开会",Coordinator 把订机票路由给 TravelAgent,把提醒路由给 CalendarAgent。 -
多租户 SaaS 的请求分发
:不同行业的客户问类似的问题,但答案需要按行业定制——Coordinator 按客户标签路由到对应行业 Agent。
判断标准(满足越多越适合):
请求类型事先列不全,且会持续增加新类型。 不同类型的请求需要完全不同的处理逻辑(不同的 prompt、不同的工具、不同的知识库)。 路由决策依赖语义理解,不是简单的关键词匹配。 用户希望一个统一入口,不想自己选菜单。
关键 Pro-tip(这是这个模式最容易踩的坑):description字段就是给 LLM 看的 API 文档。它写得模糊,路由就会错。Google 的原话是"description 即 API 文档"——这不是比喻,是字面意义上的。LLM 在路由时唯一能看到的就是这个字段,你写"处理账单问题"和"处理用户账单查询、退款申请、发票开具、扣费争议",路由准确率能差一个数量级。
什么时候别选 Coordinator:
如果路由逻辑是确定性的(比如"金额 > 1 万走 A 流程,否则走 B"),直接用 if-else 比 LLM 路由快、准、便宜。Coordinator 的价值是处理"路由规则写不出来"的场景。 如果子任务之间有强依赖(B 要用 A 的结果),Coordinator 不是为了管这种事,应该用 Hierarchical。 如果路由错了代价很高(比如医疗、金融、法律),AutoFlow 的不可控是硬伤,要么叠加 Human-in-the-Loop,要么改回 Sequential。
值得强调的是,这是 8 种模式里唯一一种由 LLM 做运行时决策的模式。Sequential 是开发时写死的,Parallel 是开发时写死的,只有 Coordinator 把"下一步去哪"这个决定权交给了模型。这个差异决定了它的两面性——灵活,但难调试。生产环境里,"路由准确性"会成为最大的工程债——前期 demo 时 90% 准,上线后被真实长尾问题一冲击可能掉到 70%,而 70% 的客服机器人比没有还糟。
模式 3:Parallel Fan-Out/Gather(并行扇出汇总,别名 the octopus)
▲ 官方架构图 3/8
机制:ParallelAgent让多个子 Agent 并发执行,外面再套一个 SequentialAgent接 Synthesizer 做汇总。
适合什么场景:核心特征是同一个对象需要从多个独立维度同时处理。典型场景:
-
代码评审(PR Review)
:一个 PR 同时被 SecurityAuditor(查安全漏洞)、StyleEnforcer(查代码风格)、PerformanceAnalyst(查性能问题)三个 Agent 看,最后 PRSummarizer 合并成一条评审意见。 -
多维度内容审核
:一篇内容同时过政治敏感检查、广告法检查、品牌调性检查、事实核查——四个检查互不依赖,并行能比串行快 4 倍。 -
多源数据采集
:查 5 个新闻源、3 个社交媒体、2 个数据库,互不依赖,并行拉取后由 Synthesizer 去重合并。 -
多视角分析报告
:分析一家公司,同时让财务 Agent 看财报、市场 Agent 看竞品、技术 Agent 看产品、法务 Agent 看合规——最后合并成一份尽调报告。 -
批量任务处理
:100 封邮件要分类,并行跑比串行快几十倍。
判断标准(满足越多越适合):
子任务之间逻辑上互相独立,不需要等彼此。 总延迟主要来自串行等待,而非单步执行时间。 输出需要合并/对比/去重,不是简单拼接。 你能接受为并行付出更高的资源峰值(同时跑 N 个 LLM 调用)。
关键 Pro-tip(这个坑 Google 单独拎出来讲了):并行 Agent 共享同一个 session.state,但跑在独立线程里。如果不给每个 Agent 设唯一的 output_key,就会出现竞态条件(race condition)——三个 Agent 同时往 output这个 key 写,最后只剩最后一个的输出。正确做法是分别叫 security_report/ style_report/ performance_report,让 Synthesizer 通过三个独立 key 读三份报告。
什么时候别选 Parallel:
如果子任务之间有数据依赖(B 要读 A 的结果),强行并行会出错。这种场景要么改 Sequential,要么用 Hierarchical 让父 Agent 协调。 如果资源是硬约束(API rate limit、GPU 显存、成本预算),并行会让峰值爆掉。Sequential 慢但便宜,Parallel 快但贵——这是真实工程权衡。 如果 Synthesizer 合并 N 份输出比让一个 Agent 直接做更慢更差(N 很小、任务很简单时常见),并行没有意义。
这件事的工程含义是:并行 ≠ 简单地把 Agent 扔进一个数组。它要求你在设计阶段就把"谁写哪个 key"想清楚,否则跑出来的结果会让你怀疑是不是模型变笨了。很多团队第一次上 Parallel 都踩过 output_key 冲突的坑——症状是"明明跑了三个 Agent,最后只看到一个的输出",根因就是 state 互相覆盖。
模式 4:Hierarchical Decomposition(层级分解,别名 the russian doll)
▲ 官方架构图 4/8
机制:和 Coordinator 的关键区别——父 Agent 不是把整个请求转交,而是委派任务的一部分,等结果回来继续推理。技术上用 AgentTool(sub_agent)把子 Agent 包装成一个可调用的工具,父 Agent 像调函数一样调它。
适合什么场景:核心特征是任务太大,单 Agent 上下文装不下,或者子流程需要被复用。典型场景:
-
深度研究报告
:ReportWriter 写一份行业报告,需要调研、分析、写作三步。它把"调研"委派给 ResearchAssistant(内部又管 WebSearchAgent 和 SummarizerAgent),拿到结果后自己继续推理和写作。父 Agent 只关心"调研结果是什么",不关心子流程内部怎么搜、怎么总结。 -
复杂代码任务
:一个 coding agent 接到"给这个项目加单点登录"的需求,它自己拆解架构,把"调研现有 SSO 库"委派给一个 Researcher sub-agent,把"写迁移脚本"委派给 Coder sub-agent,自己负责整合。 -
多步骤业务流程
:贷款审批 Agent 把"查征信"委派给 CreditCheck 子 Agent、"核实收入"委派给 IncomeVerify 子 Agent、"评估抵押物"委派给 CollateralAppraisal 子 Agent,自己综合判断批不批。 -
可复用能力封装
:公司里"发票识别 + 字段抽取 + 校验"这套流程,被报销、付款、税务三个上层 Agent 共同调用——封装成 Hierarchical 子 Agent 后,三处都能复用同一套实现。
判断标准(满足越多越适合):
父 Agent 的主任务逻辑复杂,但可以拆出几个相对独立的子任务。 子任务有独立价值,能被多个父 Agent 复用(一次性子任务用 Sequential 就行,不必封装成 Tool)。 父 Agent 的上下文窗口紧张,需要把子流程的中间产物隔离掉。 子流程内部有自己的复杂控制流(循环、并行、路由),父 Agent 不需要关心。
关键差异(和 Coordinator 比):
Coordinator 是"用户问题 → 路由到某个专家 → 专家处理完结束"。 Hierarchical 是"父 Agent 推到一半 → 调用子 Agent 帮忙 → 拿到结果继续推理"。 一句话:Coordinator 是"转交",Hierarchical 是"调用"。
什么时候别选 Hierarchical:
如果任务单 Agent 就能装下,硬拆成 Hierarchical 是过度设计,反而增加调试复杂度。 如果子任务只被一个父 Agent 用一次,封装成 Tool 的成本高于收益,直接 Sequential 写一起就行。 如果父 Agent 需要实时观察子流程的中间状态(比如流式输出给用户看),Hierarchical 的黑盒化反而是阻碍。
我的观点是:Hierarchical 是 8 种模式里被严重低估的一个。大家都在追 Coordinator 的灵活、Parallel 的快,但实际上 90% 真实业务里"任务太大一个 Agent 装不下"才是主矛盾,Hierarchical 才是正解。判断标准很简单:如果你的 prompt 经常逼近上下文窗口上限,就该考虑 Hierarchical 了。
模式 5:Generator + Critic(生成者+评审者,别名 the editor's desk)
▲ 官方架构图 5/8
机制:Sequent…