摘要：作为一名产品，很久之前就对多智能体系统（Multi-Agent System）产生了兴趣，苦于没有时间做一下研究。最近体验了一下 ChatGPT 的 deepresearch，感觉自己都快要失业了……再加上 Manus 的爆火，让我对这种多智能体系统的背后原理

作为一名产品，很久之前就对多智能体系统（Multi-Agent System）产生了兴趣，苦于没有时间做一下研究。最近体验了一下 ChatGPT 的 deepresearch，感觉自己都快要失业了……再加上 Manus 的爆火，让我对这种多智能体系统的背后原理更加好奇，用业余时间集中啃了一星期后，写出了下边这篇文案，争取把我理解的内容用大白话向各位小伙伴们讲明白。本文的内容很长，涉及的部分非常多，总体超过了 5000 字，大家可以在时间相对宽裕的时候阅读，或者先收藏起来以后再看。另外，欢迎大家对这篇内容批评指正。

ChatGPT 的 deepresearch 截图

摘要（看完再决定要不要往后看）

1 介绍了多智能体系统的整体流程，用户输入 →模型推理规划 → 多智能体执行 → 交付输出。

2 多智能体系统需要一些能力才能运转良好，分别是：推理能力，规划能力，工具调用能力，长文本处理能力，记忆能力，协同能力。

3 多智能体系统在技术实现时，需要具备以下几个模块，分别做了介绍：任务规划模块，执行模块，验证模块，记忆模块，沙盒环境，工具，通信机制，智能体循环（Agent Loop）机制。

引入

随着 LLM 推理能力的不断提升，多智能体系统已经可以落地了。Manus 就是一个很好的例子，表现出的能力让用户惊叹。相较于“传统”的聊天机器人，比如 kimi 和 ChatGPT，多智能体系统在复杂任务的处理上能力更加强大。

传统的对话式 AI（如ChatGPT、Claude等）通常只能给出建议或分步指导，真正的执行仍需要用户亲力亲为。而许多现实需求（如数据调研、代码编写、内容创作）涉及多步骤、多工具的操作，用户往往需要花大量时间整合信息、使用不同工具完成任务。多智能体平台正好可以解决这一痛点：它能够独立思考、规划并执行复杂任务，将最终成果直接交付给用户。

整体架构

一个简化的多 Agent 系统如下图所示。

具体流程：

1 用户输入要做的任务。

2 任务规划 Agent 将任务拆解成一系列的子任务，并建立一个相应的工作流。工作流和把大象关进冰箱分三步类似，就是每步都做什么，要提前编排好。

3 根据每步工作任务的不同，选择对应的 Agent 来完成相应的工作。比如有做网络搜索的 Agent，有写代码的 Agent。

4 一步步的完成任务，每一步的结果会储存起来，作为后续要发给用户回复的一部分。

5 每一步中都有 Agent来复核任务完成情况，如果完成就进行下一步。

概括一下，流程其实很好理解。

用户输入 → AI 规划 → 多智能体执行 → 交付输出。

为了实现这个流程，需要系统具备相应的能力。

1 推理能力

Agent 可以逐步推理问题，采用“思维链”（Chain of Thought）方法来确定所需的中间步骤或信息。比如用户问，找出 5000 元以内最适合拍照的手机，Agent 会在内部推理：为了回答这个问题，我需要比较该价格范围内手机的摄像头参数，或许还要搜索最新的评测。

2 规划能力

复杂任务需要精确的规划。Agent将高层次目标拆解为可管理的步骤，并按顺序完成目标。

当用户提出复杂任务请求（如 “对比分析不同旅游保险的政策”），Agent会先制定计划，例如：

1 创建分析所需的目录结构

2 从PDF文档中提取内容

3 确定对比的关键维度

4 按照关键维度分析每份保险政策

5 创建对比表并整理分析结果

6 格式化并最终定稿对比文档

7 验证对比结果的准确性

8 向用户交付最终的对比分析

3工具调用能力

为了应对各种不同的任务，多 Agent 系统需要有多样的工具调用能力。比如：

Web 浏览 & API 访问：如搜索引擎、数据库查询、开放 API 调用。

代码执行环境：Python、Shell、C++，支持动态编程与计算任务。

数据处理工具：如 Pandas 进行数据分析、Matplotlib 生成可视化图表。

4 长文本处理能力

每一步任务都会产生一定的文本，有可能是由 Agent 内置的模型生成的，也可能是通过搜索获取的。每一步积累下来，文本的长度会越来越长，此外，部分任务就可能会产生很长的文本，比如搜索。所以要求整个系统要有足够强的长文本处理能力，才能保证任务一步步的顺利执行。

5 记忆能力

为了保证复杂任务的正确完成，系统还需要有记忆能力。这样做有两个好处，确保 Agent 在多轮对话和复杂任务中保持长期一致性，还可以记住用户偏好、历史任务，甚至优化自身策略。

6 协同能力

多 Agent 系统是由多个智能体（Agent）构成，这些智能体可以相互交互、协作或竞争，以共同完成复杂任务。协同能力是指这些智能体能够通过信息共享、任务分工、决策一致性等方式高效合作，从而提高整体系统的效率和鲁棒性。

技术实现

多智能体系统（Multi-Agent System, MAS）通常由以下几个模块构成。

任务规划模块：负责理解用户复杂需求，拆解成可管理的子任务，并将其分配给合适的智能体执行任务规划Agent。

执行模块：包含多种专用的 Agent，每个 Agent 复杂一种专门的任务。比如负责在线数据搜索的信息收集 Agent，负责编写代码的代码生成 Agent 等。

验证模块：负责结果校对与反馈循环。它在执行Agent完成每个关键步骤后，对结果进行检查验证，判断是否符合预期或任务要求

记忆模块：可以理解为信息存储的模块。要存储的信息可以分为短期记忆和长期记忆。短期记忆是指用来存储当前任务上下文的，保证任务执行的一致性。长期记忆是指对工具获取信息的存储，比如网上搜索到的信息或者通过 API 获取的数据，还会包括用户的偏好、历史任务等信息。

沙盒环境：本质上是一个虚拟机或容器，具备互联网访问权限。所有Agent的操作均在隔离的 Linux 沙盒环境中执行，这样做有两个好处，一是Agent无法影响宿主系统，避免潜在风险；二是所有任务都在受控环境中运行，保证结果一致性。

工具：可以理解为 Agent 的能力。比如Agent 的能力进行网络搜索，其实就是调用了封装搜索 API 的工具。

通信机制：通信机制能够保证 Agent 之间的消息传递和相互协作。各 Agent 通过定义好的协议通信，采用API 调用或消息队列来交换信息和指令 。

智能体循环（Agent Loop）机制：智能体循环（Agent Loop）是多智能体系统运行的核心机制。Agent 不断评估下一步行动，执行操作，并将结果纳入考量，直至任务完成。

一个完整的多智能体系统就是由这几部分构成的，接下来我们来看一下各部分的详细内容。

任务规划模块

任务规划 Agent：这是整个系统的“大脑”和协调者，负责理解用户复杂需求，拆解成可管理的子任务，并将其分配给合适的智能体执行任务规划Agent。首先对用户请求进行语义解析和推理，确定需要哪些步骤和知识领域，然后制定任务规划图或列表 。在规划过程中应遵循可解性、完整性和非冗余三大原则 ：确保每个子任务都有可用的Agent解决（可解性）、所有需求都被覆盖（完整性），且不同Agent的职责不重复冲突（非冗余）。例如，面对“撰写跨城市旅游行程并估算预算”的请求，规划Agent会拆分为航班预定、酒店预定、景点行程、费用汇总等子任务，并指派给相应的信息或内容Agent处理。它还需确定执行顺序与依赖关系（如先出航班再定酒店），并在过程中监督各Agent的进展与质量。总体而言，任务规划Agent是多智能体系统成功的关键支柱，保证团队运作井然有序。

执行模块

这里要多说一句，有一些企业用的多 Agent 系统会根据业务场景来设置 Agent，比如一个 Agent 是查询价格的，那这个 Agent就只干这一件事。我们今天在这里说得执行 Agent，实际上是通过对各种任务的抽象，提炼出的。比如很多任务可能都要做信息查询、数据分析，那我们就设置对应的 Agent。

信息收集 Agent：负责在线数据检索、筛选和整理。在用户提出需求后，该智能体首先通过网络搜索、数据库查询等途径获取相关资料，并过滤无关或低质量信息，然后将有价值的信息摘要提供给其它智能体参考。例如，在撰写研究报告场景中，信息收集Agent会检索论文文献和最新数据。借助网络搜索API、问答数据库等工具，该Agent扩展了LLM的知识范围，确保决策基于最新可信的数据。

代码生成 Agent：负责编写代码、调试和性能优化。对于需要编程的任务（如游戏开发、数据分析中的脚本编写），该智能体充当“软件工程师”。它利用大模型生成初始代码，然后通过测试用例和调试工具进行验证和改进，从而提高代码正确性和效率。最佳实践是让代码Agent多次迭代：生成代码→执行测试→根据错误反馈修正。这种循环避免了一次性生成错误代码的风险，确保最终代码可以正确运行并满足需求。在多智能体协作中，代码Agent还应与数据分析Agent配合，例如根据分析需求编写数据处理脚本，或与内容创作Agent协商输出格式等。

数据分析 Agent：承担数据清洗、分析和可视化任务，相当于“数据科学家”。当任务涉及数据处理（如股票行情分析或实验结果解读）时，该智能体使用统计工具或编程环境对数据进行整理，并提取有意义的结论。例如，它可调用Python分析库执行清洗和统计计算，生成图表或指标。在多Agent平台中，数据分析Agent可以从信息收集Agent获取原始数据集或从代码Agent获取数据抓取脚本，然后独立完成分析管道。分析结果（如趋势图、关键发现）将提供给内容创作Agent，用于撰写报告结论，或直接通过用户交互Agent展示给用户。由于数据分析往往涉及繁重计算，该Agent也可以并行处理多个数据子集，提高效率。

内容创作 Agent：扮演“文案作者”角色，负责撰写和润色报告、生成文档内容、制作演示稿等。它接收其他Agent提供的素材（信息、数据、代码结果），根据任务需求组织成为连贯的文字或多媒体内容。例如，在研究报告场景中，内容Agent参考信息Agent搜集的资料和数据Agent的分析结果，起草报告各章节。内容创作Agent利用LLM强大的自然语言生成能力完成初稿，然后可通过多轮自主完善或与其他Agent协商来优化文案质量。一种最佳实践是引入逐步细化机制：初稿生成后，内容Agent根据项目最新信息再次修改完善，以确保各部分内容前后一致、全面准确。

验证模块

验证 Agent：负责结果校对与反馈循环。它在执行Agent完成每个关键步骤后，对结果进行检查验证，判断是否符合预期或任务要求 。如果发现结果不准确或不充分，验证Agent会将信息反馈，让系统进行调整（例如重新规划某一步骤或改用其他方法）。这一机制保证了任务的正确性，提高最终成果质量。例如在体验 Manus的过程中， 会看到它“不断回顾矫正”自己的过程，就是验证Agent在发挥作用。

记忆模块

记忆模块存储的信息包括：为了在复杂任务中高效运行，系统包含一个记忆存储和知识库。这可以作为短期内存（用于存储当前任务的上下文）与持久数据库（用于跨会话存储长期记忆）的组合实现。对话或任务历史、完成的子任务结果，以及智能体收集的任何相关事实。对于长期知识存储，可能会使用向量数据库或索引存储库，以保存有用信息或过去的解决方案。例如，如果用户之前运行过市场分析，平台可能会存储关键发现，以便将来进行相关查询时可以检索这些数据，而不必重新搜索。

沙盒环境

在沙盒环境中，Agent可访问标准 Linux OS，拥有文件系统以读取/写入数据。Agent 还可以运行独立进程，执行脚本或命令行操作。沙盒环境支持HTTP 请求， Agent可进行网页浏览、数据抓取、API 访问。 此外，沙盒内置常用工具（Python、Node.js、Shell、Git 等），可立即执行数据分析、自动化脚本等任务。Agent可根据任务需求安装额外软件（如 pip install、apt-get），动态扩展能力。

工具

Agent 可以通过调用各种工具来拓展自身的能力。常见的一些工具如下：

Shell 工具：执行命令行指令（如文件管理、软件安装、系统操作）。文本编辑器工具：打开、编辑、保存文件（用于编写代码或文档）。浏览器工具：进行网页搜索、爬取数据、获取实时信息。图形设计工具：用于生成数据可视化、编辑图像或创建演示文稿。API 适配工具：如翻译 API、天气 API、金融数据 API，使Agent能访问实时信息。

Agent“知道”有哪些工具可用，并通过预定义 API 或函数进行调用。当出现一些新的需求时，新功能可直接作为新工具集成，例如： 现在有了一个新的高级统计分析需求，我们可以添加 R 语言计算模块，使Agent可直接调用。

在多Agent系统中必须要建立统一的通信框架，可以采用集中式消息池或总线，让Agent通过发布订阅共享信息。这样一来，不同Agent的输出可以被需要的Agent直接读取，无需冗长的请求应答，减少延迟。例如，规划Agent将计划发送给各执行Agent时，可以是一条结构化的指令；执行Agent完成一步后将结果发送给验证Agent审核。

智能体循环（Agent Loop）机制

这种基于循环的方法类似于 ReAct（Reason+Act，即推理+行动）范式，其中Agent在“思考”（用自然语言推理问题）和“行动”（执行工具或提供最终答案）之间交替进行。Agent Loop机制确保智能体能够通过将复杂任务拆解为增量步骤，并对新观察结果作出反应，从而有效处理复杂任务。其循环为分析 ➜ 决策 ➜ 行动 ➜ 观察，类似于人类处理复杂项目的方式：评估情况、采取行动、查看结果，并逐步收敛到解决方案。流程如下：

1 分析事件：Agent首先分析最新的事件流，其中包括用户的query以及之前工具执行过程中产生的任何新信息。简而言之，它会读取对话内容以及上一步操作的结果，以更新对当前状态的理解。例如，如果用户刚刚提供了一个数据集文件，或者上一步执行返回了错误，这些都是Agent需要考虑的“事件”。 Agent会在内部生成一个“思考”过程，例如：“用户请求了 X，我在上一步得到了数据 Y，接下来需要做什么？” 这一阶段的核心是理解——确保Agent明白用户的需求，并清楚当前的任务进展。

2 选择工具：基于更新后的理解，Agent决定下一步行动，并选择合适的工具。这一决策是Agent推理的核心部分：它会权衡目标和当前上下文，以确定最佳的执行方式。例如，Agent可能会思考：“我需要更多关于主题 Z 的信息，我应该使用浏览器工具进行搜索” 或 “我有一个假设，让我运行 Python 脚本来验证它。”系统需要限制Agent每次迭代只能选择一个工具（防止Agent一次性执行过多操作），这与 ReAct 策略中“每次执行一个动作”的方法一致（Plan-and-Execute Agents）。Agent不仅决定使用哪个工具，还会生成具体的参数或输入。

3 等待执行：一旦Agent决定执行某个操作，平台将在沙盒环境中执行该操作。在执行期间，Agent进入等待状态。所选择的工具将执行任务：如果是 shell 命令，它将运行至完成；如果是网页搜索，则会发送查询并获取结果。该执行过程由平台的后端处理，与操作系统或外部 API 进行交互。重要的是，任何工具的输出或执行结果都会被捕获。例如，浏览器工具会返回网页的文本内容，或者在网站无法访问时返回错误信息。Agent在获取结果之前“看不到”执行过程，这避免了其在执行过程中受到干扰或过早采取进一步行动。

4 迭代：工具执行的结果会作为新的事件（观察）反馈到Agent的事件流中。Agent会将这一观察结果与先前的上下文一起分析。如果任务尚未完成，则循环继续：Agent利用新的信息决定下一步行动。例如，如果搜索查询返回了多篇文章，Agent会阅读（总结）这些文章，并可能决定进行另一次搜索以获得更清晰的信息。这个迭代的“感知—思考—行动”循环持续进行，Agent逐步构建解决方案。这种设计确保Agent会不断重复这些步骤，并在过程中动态更新计划，直到它认为已实现用户目标或没有合理的操作可执行。

5 提交结果：当Agent完成所有必要步骤（无论是因为得出了答案/解决方案，还是用户指示其停止）后，它会准备最终结果。Agent会汇总其工作的输出——这可能是一份报告文档、一组文件（如代码或图片），或者是一个正在运行的应用程序，并通过消息界面将其发送给用户。除了主要的交付内容外，Agent还可以提供相关文件作为附件（例如，它编写的源代码，或一份包含报告的 PDF）。最终的答案会以清晰的格式呈现，例如使用项目符号或表格来展示数据，并在进行研究类回答时提供参考文献。本质上，在这一阶段，Agent“展示其工作成果”，从而完成整个执行循环。

来源：正正杂说