一家公司的会员复购率连续三周下滑，运营负责人希望尽快定位原因并拿出动作。这个任务要经过取数、拆维度、判断原因、生成策略、执行触达和复盘。把其中几步交给具备不同工具和知识的 Agent，再由一个协调者汇总和分派，就会遇到多智能体协作模型要解决的问题。这类任务在企业里并不少见，也是多 Agent 协作被反复讨论的原因。
多智能体协作模型，指的是一组智能体为了完成同一项任务而采用的分工、通信、协调和验收方式。 它描述多个 Agent 如何组成一支能工作的团队，包括谁负责什么、什么时候交接、冲突怎么处理、结果由谁复核。
把模型理解成一套组织规则，会更接近实际用法。它描述的对象是协作规则，并非某个具体的大模型权重。底层模型可以相同，也可以不同；协作模型决定的是这些模型驱动的 Agent 如何配合。
行业里，多智能体协作模型常和多智能体系统、多智能体架构、多 Agent 协作模式混用。多智能体系统是更宽的概念，强调系统由多个智能体组成；协作模型是其中的组织规则。arXiv 在 2025 年 1 月 10 日发布的一篇综述把协作机制拆成参与者、协作类型、结构、策略和协调协议五个维度，这个拆法能帮助判断一个协作模型到底在定义什么。
它和单智能体、工作流有什么区别
单智能体像一个多面手，自己规划步骤、调用工具、完成结果。它适合步骤不多、上下文可控、工具集相对统一的任务。任务一旦跨多个专业领域，或者需要同时探索多个方向，单个上下文就容易顾此失彼。
固定工作流把路径预先写在代码或配置里，每一步做什么、下一步交给谁都已经确定。它适合流程稳定、结果格式固定、需要可预测性的任务。代价是遇到新情况时调整空间小，子任务一变就要改流程。
多智能体协作把任务拆给多个 Agent，由协调者或协商机制决定交接。它适合任务可拆、需要并行、工具和知识差异大的场景。判断三者差异，可以看任务路径由谁决定，以及子任务能否并行。
| 形态 | 任务路径 | 适合的任务 | 主要限制 |
|---|---|---|---|
| 单智能体 | 一个 Agent 自己规划、调用工具、完成结果 | 步骤不多、上下文可控、工具集相对统一 | 上下文和并行能力有限，复杂任务容易顾此失彼 |
| 固定工作流 | 路径由代码或配置预先写定 | 步骤稳定、结果格式固定、需要可预测性 | 遇到新情况难调整，子任务变化要改流程 |
| 多智能体协作 | 多个 Agent 分工，协调者或协议决定交接 | 任务可拆、需要并行、工具和知识差异大 | 协调成本、token 成本和出错链路都会增加 |
这三者可以组合。一个多智能体系统里可以有固定工作流，也可以让某个 Agent 自己决定下一步。协作模型关心的是组织方式，工作流关心的是执行路径。
多智能体协作模型由哪些部分构成
看一个协作模型是否完整，可以从四个部分判断。角色边界不清，后面的通信和协调都会失效。
多智能体协作的一个典型场景：协调者分派任务，专业 Agent 分别完成分析、策略、执行和复核，人类在关键节点审批。图片来源：AI 生成示意图。
角色与任务边界
每个 Agent 要有明确目标、输出格式、可用工具和任务边界。Anthropic 在 2025 年 6 月的工程文章里提到，给子 Agent 的指令如果过于笼统，它们会重复劳动、漏掉范围，或者执行同样的搜索。任务描述越清楚，分工才越有效。
角色设计还要考虑能力差异。需要精确计算的步骤可以交给擅长工具的 Agent，需要判断语气的步骤可以交给擅长写作的 Agent，需要审批的步骤可以交给人类。角色按任务需要划分，按岗位名称机械分配往往效果不好。
通信与共享上下文
Agent 之间通过消息、共享状态、文件或结构化结果交接。AutoGen 论文把可对话 Agent 作为基本单元，每个 Agent 可以接收消息、生成回复，也可以接入工具或人类反馈。通信的关键在交接后对方能否理解任务状态，聊天次数本身说明不了协作质量。
Anthropic 的做法是让子 Agent 把大块结果写入外部系统，只把轻量引用交回协调者，减少多轮转述造成的信息损失。这个细节说明，共享上下文需要设计。把所有对话都塞进一个窗口，既贵又容易丢失重点。
协调与决策
谁决定下一步，是协作模型的核心。可以由一个中心协调者分派，可以按固定顺序交接，也可以让 Agent 之间直接协商。常见做法有中心协调、固定顺序交接和点对点协商三种，选择取决于任务依赖、冲突处理和可观测性要求。
协调机制还要处理冲突。两个 Agent 给出不同结论时，是投票、让评审 Agent 判断，还是交给人类决定，要在设计时写清楚。缺少冲突处理规则，系统容易在来回讨论中消耗时间。
验收与治理
Agent 数量增加后，错误会沿着交接链路放大。需要结果验收、过程追踪、权限控制、人工审批和失败回滚。Anthropic 提到，多智能体评估要看最终结果，也要看过程是否合理；生产环境还要处理状态保存、错误恢复和部署协调。
治理还包括成本预算。给不同复杂度的任务设定 Agent 数量和工具调用上限，可以避免简单问题启动过多 Agent。验收标准也要具体，例如任务完成率、引用准确率、人工修改比例和单次任务成本，这些指标比 Agent 数量更能说明协作是否有效。
一个例子：会员复购分析如何分工
回到开头的问题。会员复购率连续三周下滑，一类可行的拆法是：数据 Agent 负责取数，按品类、区域和会员等级拆解；策略 Agent 结合库存、促销和历史活动生成方案；执行 Agent 调用营销系统完成圈选和触达；复核 Agent 检查预算、频控和合规；运营负责人只在策略选择和发送前审批。
这个例子里，每个 Agent 的输出都能被下一个环节直接使用。数据 Agent 给出的是带口径说明的分析结果，策略 Agent 拿到的是可以落地的分群和动作建议，执行 Agent 拿到的是经过预算和频控检查的发送清单。协调者负责判断任务是否继续拆、哪个环节需要人工介入。
这个例子也说明，多智能体协作的价值来自任务拆分和互相校验，不来自 Agent 数量。把同样的任务交给五个职责重叠的 Agent，协调成本会增加，结果未必更好。
多智能体协作的适用边界和代价
判断标准可以落到任务结构，不需要先看 Agent 数量。任务可拆、结果可验、价值足够高，是多智能体协作成立的三个前提。
Anthropic 在 2025 年 6 月的文章里给出了一组适用条件：任务需要并行探索多个方向，信息量超过单个上下文窗口，需要连接多种工具。它的研究系统在内部评测中比单智能体 Claude Opus 4 高 90.2%，代价是多智能体系统消耗的 token 约为普通对话的 15 倍。这个结果来自其内部研究评测，不能直接套到所有业务。
更适合的任务有几个共同点：
- 任务能拆成相对独立的子任务
- 子任务需要不同知识、工具或权限
- 结果可以用数据、规则或人工复核
- 任务价值足以覆盖 token、延迟和协调成本
不太适合的情况也很明确：
- 所有步骤强依赖同一份上下文
- 任务很短，拆分成本高于收益
- 结果难以验证，错误代价高
- 高频低价值，成本敏感
成本主要来自三个方面。最直接的是 token 和延迟，每个 Agent 都有自己的上下文、工具调用和推理过程，任务越复杂，消耗越明显。第二项是协调和排错，Agent 之间的交接次数增加，一个子 Agent 理解错任务，可能让后续几个 Agent 一起偏离，需要日志、追踪和可回放的执行记录。第三项是知识一致性和治理，不同 Agent 如果使用不同的指标定义、业务规则或文档版本，最后会把矛盾结论汇总到一起。
知识一致性可以通过共享的Agent 语义层或企业知识库来缓解，把指标定义、业务规则和权限放在同一套基础上。治理则要回答谁可以调用哪个工具、能访问哪些数据、哪些动作需要人工审批、失败后怎么回滚，这就需要Agent 治理能力，把权限、审计和运行监控放进同一个体系。
ThinkingAI 的企业级 AI Agent 平台 Agentic Engine 支持创建和管理各类 Agent，也支持多 Agent 协作和私有化部署。它的企业知识库把指标口径、业务规则和文档整理成统一知识，供不同 Agent 共用，减少协作中常见的口径不一致。公开资料显示，ThinkingAI 已服务全球超过 1500 家企业，接入产品超过 8000 款。
平台能力解决的是底座问题。协作模型是否值得上，仍要看任务本身。先证明单 Agent 不够用，再增加 Agent。 落地顺序通常是从单 Agent 到固定工作流，再到多 Agent 协作；任务需要动态拆解和并行探索时，才进入下一步。相关路径可以参考企业 Agent 落地路线图。
常见问题
多智能体协作模型是一个大模型吗
通常指协作规则，不指某个具体的大模型。底层可以由同一个模型驱动多个 Agent，也可以让不同模型分别承担不同角色。判断一个系统是否属于多智能体协作，看多个 Agent 是否有独立职责、是否需要交接和协调，跟它们是否使用同一个模型关系不大。
多智能体协作一定比单 Agent 效果好吗
不一定。它在需要并行探索、上下文超出单窗口、工具差异大的任务上更有优势。简单任务、强依赖同一上下文的流程和高频低价值场景，单 Agent 或固定工作流通常更合适。Anthropic 的内部评测显示了研究任务上的提升，同时也记录了约 15 倍的 token 消耗。采用前要用自己的任务做对照测试。
小团队需要多智能体协作吗
看任务，不看团队规模。小团队如果有一项需要多角色配合的高价值任务，可以用两到三个 Agent 做试点。任务不复杂时，先把单 Agent 的工具、知识和权限做好，收益更直接。多智能体协作会增加维护和排错成本，团队需要有相应的人来管。
多智能体协作会取代人吗
它改变的是分工方式。人仍然要设定目标、边界和验收标准，处理需要承担责任的决定。企业落地时，人工审批、权限控制和回滚机制是多智能体协作的一部分。把重复的取数、整理、初稿和检查交给 Agent，人可以把时间放在判断和决策上。
参考资料
- Tran, K.-T. 等. Multi-Agent Collaboration Mechanisms: A Survey of LLMs. arXiv, 2025-01-10. https://arxiv.org/abs/2501.06322
- Anthropic. How we built our multi-agent research system. 2025-06-13. https://www.anthropic.com/engineering/multi-agent-research-system
- Anthropic. Building effective agents. https://www.anthropic.com/engineering/building-effective-agents
