彻底搞懂AI Agent！从“单兵作战”到“团队协作”，一篇看懂多智能体的未来！

关注

原创最新推荐文章于 2026-08-07 17:04:11 发布 892 阅读 AI 写同款· GEO 优化 ›

AI Agent协同：从单兵作战到团队协作的智能化升级在人工智能技术快速发展的背景下，智能体（Agent）作为能够感知环境、自主决策和执行任务的软件实体，正从单一模型应用向多智能体协同演进。其核心原理在于通过任务分解与专业化分工，让不同特长的AI智能体像团队成员一样各司其职、接力协作，从而解决复杂、非线性的现实问题。这种协同模式的技术价值在于显著提升了任务处理的效率、深度与可靠性，推动了AI应用开发从“手工作坊”向“工业化流水线”的范式转变。在应用场景上，它广泛适用于自动化报告生成、智能客服、市场分析、内容创作等需要多步骤、多维度处理的业务流程。以扣子3.0的阅读详情

介绍

今天来介绍下AI Agent相关的知识，本篇文章主要分为三个部分：

AI Agent
Agent Framework（LangGraph & Google ADK）
Multi-Agent System

1. Agent

1.1 什么是Agent？

AI Agent（人工智能体）是一种具备自主思考、规划和行动能力的智能系统，它主要包括三个部分：

LLM大模型
Tools工具
Prompt提示词

以下所有代码使用 LangGraph 作为示例：


from langgraph.prebuiltimport create_react_agent

def get_weather(city: str)-> str:

"""Get weather for a given city."""

return f"It's always sunny in {city}!"

agent =create_react_agent(

    model="anthropic:claude-3-7-sonnet-latest",

    tools=[get_weather],

    prompt="You are a helpful assistant"

)

# Run the agent

agent.invoke(

{"messages":[{"role":"user","content":"what is the weather in sf"}]}

)

我们定义了get_weather方法作为tool，使用 claude LLM大模型，"You are a helpful assistant"为提示词，就构成了一个最简单的 Agent 。

2. Agent Framework

我们来介绍一下LLM Agent的两个框架：

LangGraph
Google ADK（Agent Development Kit）

2.1 LangGraph

概述
LangGraph 是由 LangChain 团队开发的 有状态多智能体工作流框架，专为构建复杂、动态的 AI 应用设计。其灵感来源于 Pregel 和 Apache Beam，支持循环流程和细粒度控制，适用于需要长期记忆和人工干预的场景。

核心特性

循环与分支

：突破传统 DAG 限制，支持循环逻辑（如多轮对话）。
持久化状态

：自动保存执行状态，支持中断恢复和“人在环”操作。
多智能体协作

：可构建分层代理系统（如代码生成与测试代理协作）。
与 LangChain 集成

：兼容 LangChain 生态，但可独立使用。

应用场景

客户服务

：自动化聊天机器人，处理多轮对话。
数据分析

：代理协作执行数据检索、清洗与分析。
软件开发

：如 Uber 用其生成单元测试代码。

代码示例


from langgraph.graph import StateGraph

# 定义状态图并添加节点

graph = StateGraph(State)

graph.add_node("model", llm_model)

graph.add_edge("tools","model")# 工具调用后触发模型

app = graph.compile()# 编译为可执行工作流

2.2 Google ADK (Agent Development Kit)

概述
Google ADK 是 模块化多智能体开发框架，开源且支持 Gemini 等模型，强调灵活部署与多代理协作，适用于企业级自动化任务。

核心特性

模块化架构

：像“乐高积木”组合代理（如销售、运营代理）。
多模型支持

：兼容 Gemini、GPT 等，动态选择最优模型。
自动任务委派

：代理根据能力自动转移任务（如旅行规划中航班/酒店代理协作）。
Google Cloud 集成

：支持 Vertex AI 部署，提供企业级扩展性。

应用场景

企业服务

：Google 自用的客户服务自动化系统（Agentspace）。
实时交互

：多模态代理处理音频/视频任务。
复杂流程

：如动态路由任务至专业化子代理。

代码示例


from google.adk.agents import Agent

# 创建基于 Gemini 的代理

root_agent = Agent(

    model="gemini-2.0-flash-exp",

    tools=[google_search],

    description="Web search assistant"

)

对比与选型建议

维度	LangGraph	Google ADK
核心优势	状态管理、循环控制	模块化、多模型与云集成
适用场景	需长期记忆的复杂流程（如客服、开发）	企业级多代理协作（如实时服务）
学习曲线	较高（需理解状态图）	中等（模块化设计降低复杂度）
生态依赖	LangChain 生态	Google Cloud 与 Gemini 生态

3. Multi-Agent System

Multi-Agent系统的出现是为了解决单个智能体在复杂任务中的局限性，通过分布式协作实现更高效率、更强鲁棒性和更灵活的适应性。（鲁棒性（Robustness），又称健壮性或稳健性，是指系统在面临内部参数变化、外部干扰或异常输入时，仍能维持核心功能稳定运行的能力。）

我们的系统是非常复杂的，如果单个Agent专注于多个专业，定义了很多的tools，那Agent的效果会非常差。所以我们需要把任务分级、分解成多个Agent，负责不同的任务，共同组成多智能体系统。

多智能体架构：

旅行多Agent示例：


from langchain_openai importChatOpenAI

from langgraph.prebuiltimportcreate_react_agent

from langgraph_supervisor import create_supervisor

def book_hotel(hotel_name: str):

"""Book a hotel"""

return f"Successfully booked a stay at {hotel_name}."

def book_flight(from_airport: str,to_airport: str):

"""Book a flight"""

return f"Successfully booked a flight from {from_airport} to {to_airport}."

flight_assistant =create_react_agent(

    model="openai:gpt-4o",

    tools=[book_flight],

    prompt="You are a flight booking assistant",

    name="flight_assistant"

)

hotel_assistant =create_react_agent(

    model="openai:gpt-4o",

    tools=[book_hotel],

    prompt="You are a hotel booking assistant",

    name="hotel_assistant"

)

supervisor =create_supervisor(

    agents=[flight_assistant, hotel_assistant],

    model=ChatOpenAI(model="gpt-4o"),

    prompt=(

"You manage a hotel booking assistant and a"

"flight booking assistant. Assign work to them."

)

).compile()

我们定义了两个子 Agent：

flight_assistant
航班助手使用 book_flight 工具预定航班
hotel_assistant
酒店助手使用 book_hotel 工具预定酒店

又定义了一个 Supervisor agent ，来管理flight_assistant和hotel_assistant两个子Agent工作。

工作流程：

当我们输入"book a flight from BOS to JFK and a stay at McKittrick Hotel"。首先会到达 supervisor Agent：

supervisor agent

首先将任务分发给flight_assistant agent预定航班。
flight_assistant

会调用book_flight工具预定航班，完成预定后返回supervisor agent。
supervisor agent

在将任务分发给hotel_assistant agent预定酒店。
hotel_assistant agent

调用book_hotel工具预定酒店，完成预定后返回supervisor agent.
supervisor agent

进行总结，将航班和酒店预定成功信息返回给用户。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述