Multi-Agent-System多智能体系统
workflows是通过预定义的代码路径来编排大语言模型和工具的系统。可以看作MAS的组织框架，规定了任务的流程和依赖关系，可以定义Agent之间的交互顺序和协作模式
agents是大语言模型动态指导自身流程和工具使用的系统，能自主控制如何完成任务。可以看作是MAS的原子单位，每个Agent就是系统的基本参与者，Agent之间通过协商、协作、竞争等机制互动
MAS 以 Agents 为核心，可选择性地使用 Workflow 作为协调工具，但不能被 Workflow 完全束缚。
在 MAS 中：
- 每个智能体（Agent）是一个具有自主性、反应性、主动性和社会性的软件实体。
- 智能体可以是简单的规则驱动程序，也可以是基于机器学习（如强化学习）的复杂模型。
- 智能体之间通过通信、协商、协作或竞争来实现系统级目标。
一、结构分类（智能体的组织形式）
纯分布式，类比外卖骑手，扁平化管理，个体之间联系不紧密，优点是鲁棒性高，缺点是协调性低
联盟/混合结构，类比大厂的事业群，每个群集中处理事务并与其他群协调沟通，优点是组内协作高效集中，组间协作/博弈
等级/层次结构，类比政府机关，层次性分明，只需要一个决策人，优点是决策高效，缺点是鲁棒性低
二、通信分类（系统的神经网络和信息流）
广播通信，针对性通信（点对点），仅与邻居通信
三、竞争博弈（做事，即互动策略）
双方均占优策略（个人主义）：囚徒困境，Agent 只顾自身目标，导致系统次优
单方占优策略（共同富裕）：某个 Agent 能力强，带动整体
双方均无占优策略（大锅饭）：公共公平，但缺乏激励，Agent 消极
四、常见架构：
- 智能体个体：通常是一个大语言模型 + 特定工具（如搜索、代码执行）+ 记忆模块。
- 架构模式：多采用混合式。
- 管理者-工作者模式：一个“管理者”智能体分解任务，分配给不同的“专家”智能体（如程序员、测试员、文档员）执行。
- 流水线模式：智能体按流程顺序工作，如同工厂流水线。
- 协调机制：通过LLM生成的自然语言进行协商和沟通。
- 共享环境：可能是共享的工作区、代码库或知识库。
五、一些知识科普性文章
1.多智能体(Multi-Agent)系统在人工智能中的应用与发展_multiagent-CSDN博客
2.多智能体系统(Multi-Agent)深度解析:架构设计+框架选型+实战案例(建议收藏)_多智能体ai系统-CSDN博客
3.什么是多智能体系统?与单智能体有何区别?多智能体系统的应用实例与热门框架_单一智能体和多智能体的对比-CSDN博客
4.多智能体系统Multi-Agent System_多智能体门户-CSDN博客
5.多智能体系统架构解析本文系作者 [架构精进之路] 原创，著作权归作者所有，未经授权禁止任何形式的转载、抄袭或盗用，违者必 - 掘金
六.常见架构
1.CrewAi：https://github.com/crewAIInc/crewAI
2.AutoGen：GitHub - microsoft/autogen: A programming framework for agentic AI
3.AgentScope：https://github.com/agentscope-ai/agentscope AgentScope
4.LangGraph：https://github.com/langchain-ai/langgraph
Skill Agent MAS
Skill 是原子能力单元，Agent 是能力使用者与决策者，MAS 是多个 Agent 协作的组织架构。
1.Skill（技能）
- 定义：一个封装好的、可复用的功能单元，具有：
- 明确的输入（Input Schema）
- 明确的输出（Output Schema）
- 确定的执行逻辑（可能调用 API、数据库、模型等）
- 可选的描述（用于 LLM 理解何时调用它）
- 形式：
- 代码函数（Python/JS）
- REST API
- 插件（如 LangChain Tool、AutoGen Function）
2.Agent（智能体）
定义：是一个具备自主性、目标导向、能感知环境并采取行动的软件实体。
工作流程：
- 接收任务（如“生成函证”）
- 理解需求（通过 NLU 或规则匹配）
- 规划行动（是否需要调用 Skill？调哪个？）
- 执行 Skill（传入参数，获取结果）
- 评估结果（是否成功？是否需要重试或换 Skill？）
- 返回响应
是否一定需要 Skill？
- 不一定！Agent 可以：
- 直接用 LLM 生成答案（无 Skill）
- 调用多个 Skill 组合完成复杂任务
- 与其他 Agent 协商（不调用 Skill，而是请求协作）
- 但在专业领域（如审计、医疗、金融），纯 LLM 生成不可靠，必须依赖Skill 提供确定性、可验证的能力。
3.MAS（多智能体系统）
由多个异构 Agent组成的系统，通过通信、协商、分工完成单个 Agent 无法胜任的复杂任务。提升整体可靠性与效率。
典型角色：
Agent 类型 | 职责 | 是否需要 Skill |
Orchestrator（协调者） | 任务分解、分配、监控 | 可能不需要具体 Skill，但需调度能力 |
Executor（执行者） | 执行具体子任务 | 必须有 Skill（如“函证生成 Agent”） |
Reviewer（审核者） | 验证结果、发现错误 | 可能有“验证类 Skill” |
Human-in-the-loop | 处理异常 | 人工介入，非自动 |
协作方式：
- 消息传递（如 AutoGen 的
send()） - 黑板模型（共享状态空间）
- 合同网协议（任务招标）
- 工作流引擎（如 CrewAI 的 Task Chain）
Agent 如何利用 Skill？
方式 1：LLM 自主选择（主流方式）
- 将 Skill 的名称 + 描述 + 输入格式注册给 LLM。
- LLM 根据任务决定是否调用及调用哪个 Skill。
- 框架支持：AutoGen、LangChain、Semantic Kernel。
方式 2：规则驱动选择
- 用 if-else 或状态机决定调用哪个 Skill。
- 适合确定性高的场景（如“如果是函证任务 → 调用函证 Skill”）。
方式 3：混合模式
- LLM 做高层规划，规则做底层执行。
- 例如：LLM 决定“需要函证”，规则引擎调用
generate_confirmation_skill。
“Skill 就像一个定义好输入输出和工作流程的函数，也相当于一个封装好的工具箱，Agent 可以利用这种 Skill 来完成不同的任务，而 MAS 则是协同了不同的 Agent。”
 入门理解)
