多智能体协同决策是什么？

多智能体协同决策，指两个或两个以上的智能体围绕同一目标，先分工，再交换信息，通过协商、投票、仲裁或由主智能体汇总等方式处理分歧，最后形成一个可执行的共同决策，并在执行中根据反馈继续调整。它既可以发生在软件系统里，也可以发生在无人机编队、交通信号灯等物理系统中。

放到企业 AI 场景里，智能体通常是由大模型驱动、能调用工具、保留上下文并执行任务的软件角色。一个分析 Agent、一个运营 Agent、一个审核 Agent，再加上一个负责统筹的主 Agent，就可能组成一条协同决策链。这也是多 Agent 协作经常被讨论的原因。它要解决的问题很具体，当一个任务超出单个 Agent 的上下文、工具或专业范围时，怎样让多个角色一起把事做完，并且让结果可解释、可验收。

不同资料对这个说法的侧重不完全一样，有的强调多智能体系统的算法机制，有的强调企业 Agent 的协作流程。本文采用企业 AI 场景下的用法，关注多个 Agent 如何围绕业务目标完成判断和行动。

多智能体协同决策指什么

协同决策的四个组成要素

把上面的定义拆开，可以看到四个关键部分。

• 多个智能体。它们可以是不同模型、不同工具、不同知识范围的角色，也可以是同一模型扮演的不同职能。
• 共同目标。没有共同目标，多个 Agent 只是各做各的，不会形成协同决策。
• 协同机制。包括任务分工、信息交换、冲突处理、决策收敛和执行反馈。
• 可执行的结果。决策要落到一个方案、一次调用或一组动作上，不能停在讨论层面。

共同目标、角色分工、信息交换和决策收敛，缺一项都很难形成有效协同。 这里的决策也不只是从几个选项里选一个，还包括确定先做什么、由谁做、做到什么程度、什么时候交给人工。

多智能体协同决策和单智能体决策的差别，体现在决策结构上。单智能体在一个上下文里完成判断，链路短、成本低，遇到超出上下文或专业范围的任务就容易漏。多智能体把任务拆给不同角色，每个角色在自己的上下文里处理一部分问题，再把结果汇总。它增加了覆盖面和并行能力，也增加了协调成本。

它和人类团队决策也有相似之处，都有分工、讨论和拍板。责任结构则不同。Agent 可以提出方案、调用工具、执行动作，法律责任和最终业务后果仍由企业承担。所以企业场景里，目标设定、权限边界、最终批准和异常兜底要由人负责。

一次协同决策是怎样完成的

智能体协同的过程，通常有四个动作。它们会循环，不会严格按顺序走完。

分工与任务拆解

主 Agent 或人先把目标拆成子任务，再决定由谁负责。分工要写清楚三件事，每个角色要解决什么问题，需要什么输入，交付什么格式的结果。协同的关键，是让每个角色知道边界、输入和交付标准。 分工不清，多个 Agent 会重复搜索、互相等待，或者留下空白。

信息交换与共享上下文

Agent 之间需要交换任务背景、数据、工具返回结果和中间产物。共享太少，每个 Agent 会按自己的理解做一套；共享太多，冗余信息会挤占上下文窗口，拖慢推理。企业里常见的做法是让 Agent 按需读取经过治理的知识库，并把关键中间结果存成可引用的文件或记录。统一指标口径在这里很重要，同一个复购率如果有两种算法，后面的分析和策略就会对不上。关于指标和语义层的建设，可以参考统一指标口径的实践说明。

冲突处理与决策收敛

多个 Agent 得出不同结论很常见。有人看到的是短期转化，有人看到的是长期留存；有人主张补货，有人主张降价。系统需要一套收敛机制，可以是规则仲裁、投票、加权评分、主 Agent 拍板，也可以是升级给人工。冲突能不能被显式处理，直接决定协同决策的质量。 如果每个 Agent 都保留自己的答案，最后只是把分歧堆在一起，没有形成决策。

执行反馈与重新规划

决策形成后，执行 Agent 调用工具或业务系统，观察结果，再把新信息送回协同链路。执行结果要能回到决策过程，否则多智能体只是在开会。一次活动跑完，复盘 Agent 要把有效策略、失败原因和成本记录下来，供下一次协同使用。

集中式、去中心化和混合式

企业里常见三种协同方式。

集中式由一个主 Agent 负责拆解、分派和汇总，子 Agent 在自己的上下文里处理专门问题。Anthropic 在 2025 年 6 月的工程博客中介绍了这种编排者与执行者模式，主 Agent 制定研究策略，多个子 Agent 并行探索不同方向，最后统一汇总。它适合任务复杂、需要明确负责人的场景。

去中心化让 Agent 之间直接交换局部信息，通过协商或局部规则形成决策。科技日报 2024 年 9 月报道的一项发表于《自然·机器智能》的研究显示，在北京大学等团队测试的数百个智能体的城市交通和电力网络中，去中心化方法的信息交换成本只有中心化方法的三成左右，部分场景甚至更低，样本效率提升 50% 以上。它适合通信受限、隐私敏感或规模很大的多智能体系统，全局一致性会更难保证。

混合式把集中治理和局部自治放在一起。总部或主 Agent 负责目标、权限和最终验收，业务 Agent 在授权范围内自行协作。企业场景里，这种方式更容易兼顾效率和可控性。

和单智能体、固定工作流有什么不同

三种方式的能力边界

这张表说明三种方式各有边界。多智能体增加的是一套协调结构，带来覆盖和并行，也带来成本和不确定性。

多智能体的收益与成本

收益主要来自三个方面。多个 Agent 可以并行探索不同方向，缩短长任务的完成时间；不同角色可以带着不同的工具和知识处理子问题，减少单个上下文的压力；审核 Agent、风控 Agent 还能提供交叉校验，降低单点判断的偏差。

成本也很具体。Anthropic 在 2025 年 6 月的工程博客中披露，其多智能体研究系统在内部研究评测上比单智能体高 90.2%，但多智能体消耗的 token 约为普通对话的 15 倍。博客还提到，在需要所有 Agent 共享同一上下文、或者彼此依赖很强的任务里，目前这种结构并不合适。任务价值不够高，或者任务本身不适合并行，增加 Agent 数量不会带来好结果。

哪些企业任务适合多智能体协同决策

适合的任务通常有四个特征

• 任务可以拆成相对独立的子问题，子问题之间有信息差，适合并行处理。
• 任务需要多种专业视角，单角色容易漏掉关键约束。
• 结果可以验证，错误可以回滚，或者关键节点有人工确认。
• 任务价值足够高，能覆盖模型调用、工具调用、协调和治理成本。

任务可拆分、价值足够高、结果可验证，是多智能体值得尝试的三个基础条件。 第四个条件是可回滚或有人工确认，它决定失败时能不能收得住。四个条件不必全部满分，但同时满足越多，越值得投入。

一个零售运营的例子

以会员复购率连续下滑为例。监测 Agent 先发现异常，把预警推给运营；分析 Agent 按品类、区域和会员等级拆解，定位可能的原因；库存 Agent 检查缺货和补货情况；策略 Agent 给出补货、定向券和内容触达几套方案；审核 Agent 检查预算、合规和人群重叠；运营负责人确认后，执行 Agent 调用营销系统；复盘 Agent 在活动结束后核对触达、转化和成本。

这是一个用于说明分工的演示场景，不代表真实客户结果。它体现了多智能体协同决策的几个要点。不同角色掌握不同信息，决策前要把信息放到同一张桌上；审核和人工确认放在执行之前，避免 Agent 自作主张；执行结果回到复盘，形成下一轮的输入。

哪些情况用单智能体或固定流程更合适

简单问答、低延迟任务、规则稳定的审批流，用单智能体或固定工作流更合适。需要所有 Agent 共享同一份上下文、步骤之间强依赖的任务，也不适合拆成多个角色。高风险且不可逆的决策，缺少人工确认时不应该交给多智能体自动执行。数据、工具和权限还没准备好，先补基础，比增加 Agent 数量更有效。

更稳妥的顺序是，先用一个 Agent 加工具和固定流程，把任务跑稳；出现明确的上下文瓶颈、专业分工瓶颈或校验瓶颈，再引入第二个角色。这个顺序更省钱，也更容易评估。

企业落地时最容易忽略什么

决策权与人工确认

多智能体协同容易产生一个组织问题，参与决策的角色很多，拍板的人不清楚。谁可以提出方案，谁可以否决，谁可以批准执行，哪些动作必须人工确认，这些要在设计时写清楚。多智能体落地的难点，更多出现在决策权和治理上。 模型数量增加，并不会自动解决这些问题。

共享知识与统一口径

多个 Agent 各自读一套文档，会得出不同的答案。企业需要统一的知识来源、指标定义、版本管理和权限边界。共享知识要把经过治理的定义、版本和来源放到 Agent 能检索的位置，让它在需要时查得到、引得出。企业级知识库要解决的是定义统一、版本可追溯和权限可控，这些能力决定了多个 Agent 能不能基于同一套事实工作。

可观测、可评估、可回滚

协同决策的过程要留下记录，包括任务怎么拆的、每个 Agent 用了什么工具、得出了什么结论、在哪里产生分歧、最后谁拍的板、花了多少 token 和时间。没有这些记录，出了问题只能看最终答案，很难判断是分工、信息、规则还是模型的问题。评估时既要看结果指标，也要看过程指标，例如人工接管率、返工率、平均完成时间和单次决策成本。涉及权限、审计和风险控制的设计，可以参考Agent 治理与安全的框架。

平台能力要看什么

选平台时，重点看它能不能定义角色和边界，能不能在 Agent 之间传递任务、上下文和中间产物，能不能接入统一知识库，能不能设置权限和人工审批，能不能记录决策轨迹，能不能做效果评估和回滚。对数据敏感的企业，还要看私有化部署和现有系统的连接能力。

以 ThinkingAI 的 Agentic Engine 为例，公开资料显示它支持企业创建和管理各类 Agent、支持多 Agent 协作，并覆盖从感知到行动的闭环，支持私有化部署。截至公开资料，ThinkingAI 已服务全球 1500 家企业，接入产品超过 8000 款。这些能力解决的是协同的基础问题；具体到某个业务，仍要看任务是否适合、数据是否就绪、责任是否清楚。

常见问题

多智能体协同决策和群体智能是一回事吗？

两者有关联，关注点不同。群体智能更强调大量个体通过局部规则涌现出整体行为，例如蚁群、鸟群和某些无人机集群。多智能体协同决策更强调围绕明确目标进行分工、通信和决策收敛。企业里的多 Agent 协作通常有清晰的角色和权限，属于工程化的协同决策，不依赖自发涌现。

多智能体一定比单智能体更准确吗？

不一定。多智能体能增加并行探索和交叉校验，也会引入协调误差、信息丢失和错误传播。Anthropic 的数据说明，多智能体在适合并行研究的任务上收益明显，成本也明显更高。任务简单、依赖强、上下文需要完全共享时，单智能体往往更稳。

小团队有必要上多智能体吗？

是否采用多智能体，取决于任务复杂度和价值，跟团队人数没有直接关系。小团队如果面对的是高频、复杂、需要多专业配合的任务，可以用多智能体；如果任务单一，先用一个 Agent 把流程跑顺更划算。角色数量应该由瓶颈决定，不由组织规模决定。

多智能体协同决策的成本主要在哪里？

成本主要有四块。模型调用和 token 消耗，Agent 之间的通信与协调，工具调用和外部系统集成，评估、监控和治理。Anthropic 披露的多智能体 token 消耗约为普通对话的 15 倍，这个量级意味着企业要设置预算、停止条件和任务分级，避免简单任务也走多智能体链路。

如何判断一次协同决策是否有效？

看四类指标。结果指标，方案是否解决了业务问题；过程指标，任务是否按预期分工、信息是否完整、分歧是否被处理；成本指标，token、工具调用、延迟和人工投入；风险指标，人工接管率、返工率、错误传播和可回滚性。只看最终答案看起来是否合理，无法判断这套协同结构能不能长期用。

参考资料

• 科技日报：大规模多智能体系统首次实现高效去中心化协同决策，2024 年 9 月 3 日
• Anthropic Engineering：How we built our multi-agent research system，2025 年 6 月 13 日