multi-agent-collaboration

# 多 Agent 协作 ## 何时使用 当任务明显需要多个专业 Agent 共同完成，或用户明确要求多 Agent 协作时使用。 ### 应该使用 - 任务可拆分为多个专业子域，每个子域有对应 Agent - 多个独立子任务可以并行执行（节省时间） - 需要来自不同 Agent 的结果进行综合分析 - 用户明确要求"让 A 和 B 一起做" ### 不应使用 - 一个 Agent 可以完成，无需分工 - 只是简单咨询，用 `chat_with_agent` 即可 - 刚收到某 Agent 的消息，不要立刻回调它（防死循环） ## 两种协作模式 ### 模式一：串行（有依赖关系） B 的任务需要 A 的结果时使用： ``` # 第一阶段：A 完成 result_a = delegateToAgent( agentName="research-agent", task="[来自 Agent coordinator 的请求] 收集最新 AI 大模型基准测试数据，返回原始数据表格。" ) # 第二阶段：B 基于 A 的结果处理 result_b = delegateToAgent( agentName="data-analyst", task="[来自 Agent coordinator 的请求] 基于以下数据生成分析报告和可视化建议：\n\n" + result_a ) ``` ### 模式二：并行（互相独立） 多个子任务之间没有依赖时使用，最多同时 3 个： ``` results = delegateParallel( tasksJson="[ {\"agentName\": \"research-agent\", \"task\": \"[来自 Agent coordinator 的请求] 搜索竞品 A 的最新功能更新\"}, {\"agentName\": \"data-analyst\", \"task\": \"[来自 Agent coordinator 的请求] 分析我们产品上月用户留存数据\"}, {\"agentName\": \"writer-agent\", \"task\": \"[来自 Agent coordinator 的请求] 起草本次竞品分析报告的大纲\"} ]" ) ``` 所有任务完成后一次性返回全部结果，再由当前 Agent 整合。 ## 完整工作流程 ### 第一步：查询可用 Agent ``` listAvailableAgents() ``` 根据各 Agent 的描述分配任务。 ### 第二步：判断串行 or 并行 | 判断条件 | 模式 | |---------|------| | 子任务 B 依赖子任务 A 的结果 | 串行 | | 子任务互相独立，可同时进行 | 并行 | | 混合（部分有依赖） | 先并行无依赖任务，再串行有依赖任务 | ### 第三步：分配并执行 使用对应模式（见上）。 ### 第四步：整合结果 由当前 Agent（编排者）负责整合所有 Agent 的返回结果，形成最终回复。**不要把整合工作再委托给某个子 Agent。** ## 关键规则 - 任务说明中加 `[来自 Agent <名称> 的请求]` 帮助目标 Agent 识别来源 - 并行任务数量不超过 3 个；超过时按优先级分批 - 不让两个 Agent 互相调用对方（会形成死循环） - 整合由编排者负责，不再向下委托 - 如需上下文连贯，在 `task` 中附带前一阶段的关键结论 ## 与 chat_with_agent 的区别 | 技能 | 场景 | |------|------| | `chat_with_agent` | 一对一，咨询或单任务委托 | | `multi_agent_collaboration` | 一对多，多 Agent 分工、并行或串行编排 |