多智能体
核心事实
时间轴 (近 90 天)
第三个月的任务是挑战一个多智能体小项目，跑通完整流程，再完成两到三个小项目，例如Agent智能客服、自动化工作流等。
李锦老师最近两年的研究方向是将传统微服务与多智能体、RAG检索深度结合，具备从底层算法到AI应用的端到端落地能力。
提示词解决的是“如何与模型沟通”，RAG解决的是“如何让模型用上外部知识”，工作流解决的是“如何把多个步骤串起来”，多智能体解决的是“如何让多个角色协作”。
多智能体的适用边界通常是：任务可清晰拆分为独立子问题、子任务间需要多视角交叉验证、或单Agent上下文窗口不足以承载全部信息时。
实践中，多数业务场景用单Agent加工作流编排就能达到相近效果，且更稳定可控。
交通系统是典型的多智能体场景，每个司机、公交车和信号灯做局部决策，整体效果取决于决策叠加。
应只在出现特定协调需求时才增加第二个智能体，大多数需要多智能体的问题实际上是需要更窄工具和更好评估的问题
对于流程相对线性的任务，带结构化工具调用和严格输出校验的单模型管线比多智能体系统更干净、可控且不易产生幻觉
在多智能体架构中，一个Agent向另一个Agent发送的消息应像用户输入一样被防护，每个Agent只拥有运行工具所必需的权限
多智能体架构引入信任传播（Trust Propagation）攻击面，被攻陷的Agent传出的内容可能携带恶意指令，构成横向移动攻击
还有 16 条时间轴事件
全部知识事实 (20)
文章提出的三个月学习路线为：第一个月夯实Python和提示词工程基础，第二个月吃透RAG和框架，第三个月做Agent项目落地
75%已验证分层多智能体方案在落地时往往面临协调开销大、token 消耗高、调试困难等挑战
70%已验证精心设计的单一智能体在成本和延迟上常常远优于结构松散的多智能体系统，而任务表现相差无几，多智能体架构只有在任务确实需要分工协作时才值得引入
65%已验证多智能体系统常见架构模式包括主管-工人模式（Supervisor-Worker）、流水线模式和辩论模式
65%待验证多智能体工作流的核心优势在于每个Agent可以使用更轻量、更专精的模型，整体系统的可靠性和可控性反而优于依赖单个全能大模型的方案
60%待验证第三个月的任务是挑战一个多智能体小项目，跑通完整流程，再完成两到三个小项目，例如Agent智能客服、自动化工作流等。
50%待验证李锦老师最近两年的研究方向是将传统微服务与多智能体、RAG检索深度结合，具备从底层算法到AI应用的端到端落地能力。
50%待验证多智能体的适用边界通常是：任务可清晰拆分为独立子问题、子任务间需要多视角交叉验证、或单Agent上下文窗口不足以承载全部信息时。
50%待验证提示词解决的是“如何与模型沟通”，RAG解决的是“如何让模型用上外部知识”，工作流解决的是“如何把多个步骤串起来”，多智能体解决的是“如何让多个角色协作”。
50%待验证实践中，多数业务场景用单Agent加工作流编排就能达到相近效果，且更稳定可控。
50%待验证交通系统是典型的多智能体场景，每个司机、公交车和信号灯做局部决策，整体效果取决于决策叠加。
50%待验证应只在出现特定协调需求时才增加第二个智能体，大多数需要多智能体的问题实际上是需要更窄工具和更好评估的问题
50%待验证对于流程相对线性的任务，带结构化工具调用和严格输出校验的单模型管线比多智能体系统更干净、可控且不易产生幻觉
50%待验证在多智能体架构中，一个Agent向另一个Agent发送的消息应像用户输入一样被防护，每个Agent只拥有运行工具所必需的权限
50%待验证多智能体架构引入信任传播（Trust Propagation）攻击面，被攻陷的Agent传出的内容可能携带恶意指令，构成横向移动攻击
50%待验证多智能体应在单个Agent跑通后才考虑，因为Agent间对话意味着更多token、更多漂移和更难调试
50%待验证多智能体架构相比单一大模型对话能从不同角度施压，减少某一盲区被忽略的概率
50%待验证Premortem采用多智能体架构，将质疑任务分解给多个专门化的AI角色，分别质疑市场规模、财务假设、竞争对手视角等
50%待验证缓解多智能体错误共识的方向包括引入异质模型来源、设计异见者智能体、接入外部工具事实校验以及对收敛速度保持警惕
50%待验证工作流与多智能体的核心区别在于确定性与自主性的权衡
50%