多Agent协作
多Agent协作（Multi-Agent Collaboration）是指由多个具备自主决策能力的智能体通过通信、分工与协调机制共同完成复杂任务的系统架构模式。各智能体可承担不同角色或子任务，通过信息共享、任务分配和结果整合实现协同，适用于单一智能体难以独立处理的大规模、多步骤或跨领域任务场景，是人工智能系统设计中的重要范式之一。
核心事实
时间轴 (近 90 天)
在多Agent协作场景中，当不同Agent共享一套工具库时，统一的语义注册表可以降低重复描述和维护成本。
多Agent协作生产线的典型模式包括编排者-执行者模式、流水线模式和辩论/评审模式。
多Agent协作的成熟度最终体现在交接界面的细节上；模型会继续变强，但上下文边界的取舍仍需要人来设计。
多Agent协作的五种基础模式为：委托、创建者-验证者、直接通信、协商、广播。
多Agent协作可以形成分工明确的自动化流水线，例如一个Agent负责文献调研与总结，一个负责提出假设，一个负责寻找证据，一个负责执行实验。
进阶篇进入RAG知识库、Agent架构、多Agent协作和工具调用，并结合主流框架进行开发。
多Agent协作目前在生产环境中还不算成熟，但作为学习项目有助于理解任务分解、角色分工和消息传递。
显式交接是多Agent协作中的一种设计模式：交接内容应是结构化数据对象（如包含任务描述、已完成步骤、待办事项、约束条件的JSON），而不是自由文本提示词。
多Agent协作短期内不会被取代，两者面向的任务特征不同，更可能长期共存。
多Agent协作（swarms）代表框架包括AutoGen和CrewAI，其优势是并行处理与角色专业化，但代价是引入通信协议、任务路由、结果合并等额外复杂度，编排层本身往往成为新的调试负担。
还有 19 条时间轴事件
全部知识事实 (20)
多智能体协作通常通过编排者-执行者模式实现，一个主控Agent负责任务分解与调度
90%已验证多智能体协作通过让多个专业化Agent分工配合来完成更复杂的任务
80%已验证多Agent协作架构中不同专门化智能体各司其职并行运转，能有效规避单一大模型的上下文窗口限制问题
80%已验证该项目采用多 Agent 协作架构，将求职任务分解为不同职责的独立 Agent 完成
75%已验证多 Agent 协作的常见架构包括规划者-执行者（planner-executor）、辩论式（debate）和流水线式编排。
70%已验证多个Agent协作意味着更多上下文传递、更高token消耗和更长处理时间，职责分离的收益是否覆盖协调开销需在具体场景权衡
65%已验证业界主流的多Agent协作模式包括层级式（Hierarchical）、对等式（Peer-to-Peer）和流水线式（Sequential）
65%已验证A2A（Agent2Agent）协议是建立在成熟Web标准之上的一套Agent间通信规范，目标是实现一次开发到处对接，而非全新的底层协议
65%已验证在多Agent并行编排中，任务分解粒度过粗导致单个Agent上下文过载，粒度过细则产生大量协调开销
65%已验证多Agent协作的常见模式包括Orchestrator-Worker模式和Pipeline模式
65%待验证5分钟构建的插件复杂度可能有限，多Agent协作在更大规模项目中的可靠性仍待验证
85%待验证当前多Agent协作主要有三种范式：层级式、对等式和混合式
80%待验证多Agent系统引入了Agent间通信开销、一致性维护以及错误传播等新的复杂性问题
60%待验证单一Agent完成所有任务的模式正在向多Agent协作模式演进
60%待验证在多Agent协作场景中，当不同Agent共享一套工具库时，统一的语义注册表可以降低重复描述和维护成本。
50%待验证多Agent协作生产线的典型模式包括编排者-执行者模式、流水线模式和辩论/评审模式。
50%待验证多Agent协作的五种基础模式为：委托、创建者-验证者、直接通信、协商、广播。
50%待验证多Agent协作可以形成分工明确的自动化流水线，例如一个Agent负责文献调研与总结，一个负责提出假设，一个负责寻找证据，一个负责执行实验。
50%待验证进阶篇进入RAG知识库、Agent架构、多Agent协作和工具调用，并结合主流框架进行开发。
50%待验证多Agent协作目前在生产环境中还不算成熟，但作为学习项目有助于理解任务分解、角色分工和消息传递。
50%