多Agent协作机制

什么是多Agent系统（MAS）？

多Agent系统（Multi-Agent System, MAS）是由多个AI智能体协同工作、并行使用工具来完成复杂任务的系统。
特别适用于路径不可预知、需多方向探索的研究型或复杂任务。
通过将任务分配给具有独立上下文窗口的智能体，提升并行推理能力。

Agent设计的三重境界

自主性（Autonomy）：能独立决策，不依赖外部控制。
反应性（Reactivity）：能感知环境变化并作出响应。
目标导向性（Goal-Oriented）：所有行为服务于明确目标。

主流协作框架对比

通信机制：MCP 与 A2A 协议

(1)MCP（Model Context Protocol）
用途：连接Agent与工具/资源（如数据库、API、本地文件）。
三大核心概念：
Resources：只读数据源（如文件、数据库）
Tools：可被LLM调用的函数/API
Prompts：预定义交互模板或推理指引
架构角色：
Host（如IDE、Claude桌面端）
Client（协议客户端）
Server（暴露功能的轻量服务）
（2）A2A（Agent-to-Agent Protocol，Google提出）
用途：实现Agent之间的互操作与协作，无需共享内存、工具或上下文。
核心组件：
Agent Card：描述Agent能力的公开JSON（用于服务发现）
Task：带唯一ID的工作单元，支持多轮状态更新
Message：含文本、文件等多模态内容的通信载体
Artifact：任务产出的结果物
Push Notification / Streaming：支持主动通知与流式输出

异常处理与恢复机制

多Agent系统需应对网络超时、API限流、资源竞争等临时故障，常用策略包括：
重试机制（LangGraph 支持 RetryPolicy，可配置最大重试次数、退避因子等）
熔断机制：当失败次数超过阈值，暂时停止调用，避免雪崩

class CircuitBreakerRetryPolicy(RetryPolicy):
    def should_retry(self, exc, attempt_number):
        # 若熔断器打开，则不重试

提示词工程在MAS中的作用

偏重启发式提示，引导Agent自主思考
学会“指导下属干活”：明确分工、设定边界
根据任务复杂度动态调整各Agent工作量
专用工具设计是提升效率的关键