多代理系統入門：讓一群 AI 分工解決複雜任務

📌 本篇文章重點

單一 Agent 有上限，多 Agent 透過「分工＋協調」解更複雜的任務。
3 種協作模式：主管-員工（Orchestrator）、競爭投票、集合共用記憶。
不是越多越好——協調成本會吃掉效能。
從「2 個 Agent」開始做，別一開始就造大團隊。

一、為什麼這篇值得看？

單 Agent 能查資料、能我回覆，但面對「研究年度報告→寫簡報→做成頁人話版」這種多步驟任務就容易半路推到死胡高。把任務拆給不同專業的 Agent，各作一段，反而穩定。分工原則就是多 Agent 系統存在的理由。

二、核心概念，3 分鐘搞懂

多 Agent 系統，說穿了是三種常見「搞法」的組合：

模式	運作	適合
主管-員工	主 Agent 拆任務派給子 Agent	步驟明確、可切分
團隊辯論	多 Agent 各自產出再投票/挑優	開放題、要品質上限
共用記憶	共享一個知識庫，分工寫入讀取	長線專案、累積知識

💡 一句話總結

多 Agent 的本質是「重新組織工作流」，而不是「把更多 LLM 塞在一起」。

三、動手實作：3 步從零搭一個雙 Agent 小隊

Step 1

定義角色與工具

角色定義

研究員 Agent：工具 = web_search + read_file
                職責 = 收集資料、整理摘要
文案 Agent：  工具 = write_file
                職責 = 把摘要改成短文

Step 2

寫一個「迷你編排器」（Orchestrator）

Python

def orchestrator(question):
    # 1. 叫研究員：每個都有各自 system prompt
    notes = research_agent.run(
        f"請收集與『{question}』相關的資料並摘要，附來源"
    )

    # 2. 把結果傳給文案
    draft = writer_agent.run(
        f"以下是你手上的資料，請寫成 300 字的短文：\n{notes}"
    )
    return draft

關鍵：Agent 之間靠「傳遞文字產物」溝通，而不是共用一個大對話。

Step 3

加「任務回傳 + 有限重試」的守門

每個子 Agent 都有回傳「完整/失敗」的收尾動作，編排器據此決定下一步或直接放棄，避免無限迴圈：

Python

for attempt in range(3):
    result = sub_agent.run(task)
    if result.ok:
        return result.output
    task = f"請修正下列問題後重做：{result.error}"
return fallback_output

⚠️ 常見地雷

最常翻車的是「互相等對方」或「重複繞圈」。務必：每個 Agent 有明確輸出、有超時上限、有 max_iterations。

四、什麼時候「別用」多 Agent

任務單一、一步就能完成 → 單 Agent 就夠。
需要嚴謹的決定、不能有分歧 → 用單一循證流程。
成本敏感 → 每多一個 Agent 就多一輪 token。

五、常見問題（FAQ）

Q1多 Agent 一定比較強嗎？

不一定。任務能切成「可獨立驗證」的段落才有幫助；切不開只會增加協調成本。先做 2 個，驗證分工真的有幫助再加。

Q2需要買 Agent 框架嗎？

不用。2–3 個 Agent 用手寫編排器就夠。框架的價值在「大團隊 + 複雜協調」才明顯

Q3各自用不同模型可以嗎？

可以。小 Agent 用便宜模型、關鍵 Agent 用強模型，是常見的成本優化。

總結

多 Agent 從「分工 → 傳遞 → 守門」三件事開始。先做 2 個 Agent 的小隊驗證價值，再決定要不要升級成框架——別為了「看起來很酷」開戰艦。