《智能体教程》——如何构建多智能体系统：开发者实用指南

多智能体系统（MAS）的概念在分布式计算领域已经存在数十年了。然而，大型语言模型（LLMs）和智能体人工智能的出现，使得智能体能够在以前无法实现的规模上进行推理、规划和协作。

多智能体架构

一个多智能体系统就是多个独立实体（智能体）的集合，这些实体通过协作——有时也通过竞争——来解决复杂问题。每个智能体都能够观察周围环境、做出决策并执行行动，且常常会与其他智能体展开协作。

这些系统不再仅存在于研究实验室中。它们出现在生产级应用程序中，例如：

• • 自动研究助手能够读取、总结和交叉引用数据。
• • 人工智能驱动的操作副驾驶可以监控基础设施、识别问题并发起变更。
• • 自主交易系统能同时执行多种策略并交换研究结果。
• • 多角色客户支持机器人会将咨询分配给专业的人工智能智能体，以实现更快的回复。

为什么智能体人工智能是变革性力量？

传统的多智能体系统设计需要硬编码逻辑、严格的程序和大量的手动设置。而智能体人工智能允许每个智能体利用以下能力：

• • 推理能力：大型语言模型可以容忍不明确的输入，仍然生成有意义的行动。
• • 情境感知：记忆系统使智能体能够从先前的交互中学习。
• • 智能体间通信：能让智能体动态地讨论它们的目标、限制和更新情况。
• • 自我改进循环：使智能体能够检查并根据自身表现进行调整 。

智能体人工智能的核心概念

在编写代码之前，你必须了解多智能体系统的基础知识。这些概念将影响你的架构设计、框架选择，以及在整个生产过程中智能体的交互方式。

1. 1. 智能体、自主性和目标：智能体是一个自包含单元，它能通过API、数据库、传感器数据等感知其环境；处理输入（进行推理、推断、决策）；在环境中采取行动（触发工作流程、更新系统、进行通信）。自主性意味着智能体可以在没有人类持续监督的情况下运行。它们不会遵循固定的脚本，而是适应不断变化的输入；根据自身目标做出决策；从反馈循环中学习。
2. 2. 如何定义智能体？：让我们看看如何使用LangChain在Python中定义一个智能体。

from langchain.agents import initialize_agent, Toolfrom langchain.llms import OpenAI# 智能体的示例工具def search_tool(query: str) -> str:    return f"Searching for: {query}..."tools = [    Tool(name="Search", func=search_tool, description="Searches the web for information.")]llm = OpenAI(temperature=0, api_key = "sk-projxxxxxxxxxxxxxxxxxxxx")agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)agent.run("Find the latest AI research on multi-agent systems.")

在进入创建这些强大智能体的下一个阶段之前，让我们先了解一下现有的多种智能体类型。
3. 智能体类型：虽然所有智能体都有一个共同的目标，但它们的行动和思考方式有所不同。

类型	描述	适用场景
反应式智能体	直接对输入做出反应，无记忆或规划	诸如响应状态检查之类的简单任务
慎思式智能体	使用推理、规划，通常具有长期记忆	研究助手、决策机器人
混合式智能体	兼具反应式的速度和慎思式的推理能力	需要快速反应和规划的复杂工作流程
我的基本建议是：尝试使用混合式智能体，它完美融合了反应式和慎思式智能体的特点。混合式智能体在速度和灵活性之间取得了平衡，使其成为生产环境的最佳选择。
4. 通信与协调：在实际生产中，智能体很少单独运行。通信策略包括智能体之间的直接API调用；消息队列（如RabbitMQ、Kafka、Pub/Sub）实现解耦和可扩展的协调；用于知识交换的共享内存存储库（例如Redis和向量数据库）。

任务请求

结果
结果
最终输出
User
Supervisor
AgentA
AgentB

1. 5. 记忆和长期情境管理：记忆将智能体从无状态函数转变为有状态的问题解决者。多智能体系统中的记忆类型包括：短期记忆为当前任务提供情境；长期记忆指的是在不同会话之间持久存在的知识；情景记忆——用于故障排除和学习的先前交互记录。让我们看看如何在智能体架构中初始化记忆。

from langchain.vectorstores import FAISSfrom langchain.embeddings.openai import OpenAIEmbeddingsembeddings = OpenAIEmbeddings()memory_store = FAISS.from_texts(["Hello world", "Agentic AI is powerful"], embeddings)results = memory_store.similarity_search("Tell me about AI", k=1)print(results)

设计多智能体系统

构建一个适用于生产环境的多智能体系统，不仅仅是将大型语言模型的调用串联起来。从一开始，你就必须考虑职责划分、通信方式、容错能力、监控手段和可扩展性。

1. 1. 设计理念：模块化、可扩展、可互操作：在创建多智能体系统时，每个智能体都应该可以在不干扰系统其余部分的情况下进行替换；系统应该能够在不需要重新设计的情况下管理更多的智能体或任务；智能体应该使用通用的API或协议进行交互，以便于集成。建议做法：避免硬编码智能体依赖项。使用服务注册表或配置文件来指定可用的智能体。
2. 2. 定义智能体角色和职责：多智能体系统最关键的方面是为每个智能体明确职责，这可以避免职责重叠或冲突。

   角色	职责
   规划智能体	分解任务并分配给其他智能体
   研究智能体	从API、数据库或网络收集数据
   分析智能体	处理和解释收集到的数据
   执行智能体	在实际系统中执行操作（例如部署代码、触发警报）
   监督智能体	监控、验证输出并处理异常
   以下是一个基于角色的智能体配置示例：

agents:  planner:    description: Breaks tasks into sub-tasks and delegates.    tools: ["task_router", "status_tracker"]  researcher:    description: Finds and retrieves relevant information.    tools: ["web_search", "api_fetch"]  analyzer:    description: Interprets and summarizes research findings.    tools: ["nlp_analysis", "data_visualization"]

1. 3. 选择通信协议：在生产环境中，智能体之间的通信方式对于速度、可靠性和规模至关重要。直接函数调用简单但智能体耦合紧密（适用于本地原型）；消息代理（如RabbitMQ、Kafka、Pub/Sub）解耦、异步且可扩展；HTTP/gRPC API适用于在多个平台上运行并使用微服务的智能体；WebSocket提供实时双向通信。以下是通过Pub/Sub进行消息传递的示例：

import jsonfrom google.cloud import pubsub_v1publisher = pubsub_v1.PublisherClient()topic_path = "projects/my-project/topics/agent-messages"message_data = json.dumps({"task": "fetch_data", "params": {"query": "AI news"}}).encode("utf-8")publisher.publish(topic_path, message_data)

1. 4. 任务分解与编排：可以通过两种方式安排多智能体系统的编排。分层式——任务由中央控制器分配；去中心化——智能体围绕共同目标自组织。建议做法：分层式编排便于日志记录和调试，而去中心化编排在动态环境中表现更好。

User
Supervisor
Planner
ResearchAgent
AnalysisAgent
ExecutionAgent

工具、框架和技术栈

你所使用的工具将对多智能体系统产生重大影响。在生产环境中，正确的技术栈可确保系统的可扩展性、可维护性和成本管理。

1. 1. 智能体框架：框架可避免你在编排、消息传递和记忆处理方面重复造轮子。

   框架	语言	优势	理想用例
   LangChain	Python/JS	工具集成、提示编排、记忆处理	快速构建复杂工作流程
   AutoGen	Python	多智能体聊天、智能体间消息传递便捷	对话式多智能体系统的快速原型开发
   CrewAI	Python	角色/任务分配、智能体协作	专注于任务的自治团队
   OpenDevin	Python	DevOps和智能体编码自动化	人工智能辅助代码部署
   AgentVerse	Python	模拟、角色扮演智能体	研究和实验性多智能体系统
   建议不要仅仅依赖于一个框架。你可以混合使用，例如，使用Langchain进行工具和记忆处理，使用AutoGen进行消息传递。

2. 2. 大型语言模型和基础模型：选择大型语言模型时要基于多种因素，包括成本、速度、可靠性和准确性。以下是一些可供参考的选择：

   模型	优势	劣势	适用场景
   GPT-4o	推理能力强、多模态	成本高、比小型模型慢	复杂规划智能体
   Claude 3.5 Sonnet	总结能力强、输出安全	代码执行推理能力有限	研究和分析智能体
   Mistral 7B	速度快、开源、成本低	深度推理能力较弱	高流量反应式智能体
   LLaMA 3 70B	开源推理能力强	需要GPU基础设施	私有内部多智能体系统
   对于生产需求，我强烈建议采用混合技术，例如可以使用像LLaMa 3.1 7B或Qwen 1B这样的小型模型进行过滤和分类；使用像GPT-5、GPT-4o系列、LLaMa 4系列这样的大型模型来处理复杂挑战。

3. 3. 记忆、向量存储和嵌入：智能体需要记忆才能在单个任务之外发挥作用。以下是一些常用的选择：FAISS是一个轻量级向量存储，完全在内存中运行；Chroma支持本地和云存储，与LangChain无缝连接；Weaviate可扩展、云原生，支持混合搜索；Pinecone托管式服务、速度快，但大规模使用可能成本较高。让我们看看如何使用Langchain处理记忆：

from langchain.embeddings.openai import OpenAIEmbeddingsfrom langchain.vectorstores import FAISSembeddings = OpenAIEmbeddings()db = FAISS.from_texts(["Agentic AI is awesome", "Multi-agent systems scale work"], embeddings)print(db.similarity_search("Tell me about AI agents", k=1))

1. 4. 通信中间件：通信层对于多智能体编排至关重要。以下是一些常见的选择：Pub/Sub（谷歌、Kafka）——异步且适用于大规模场景；Redis Streams——轻量级且速度快；WebSocket：实时双向通信；HTTP/gRPC与微服务可互操作。对于多云或混合系统，建议使用gRPC，它提供了可靠且高效的通信方式。
2. 5. 部署栈：在生产环境中，后端可使用FastAPI、Flask或Node.js作为API端点；使用Docker进行容器化以实现可移植性；使用Kubernetes进行智能体的扩展编排；使用Prometheus + Grafana或OpenTelemetry进行监控；使用GitHub Actions、Jenkins或GitLab CI进行持续集成/持续交付（CI/CD）。生产架构可能如下所示：

UI
API
MessageBroker
Agents
MemoryDB
LLM

构建你的第一个多智能体系统

让我们看看如何开发一个包含三个智能体的系统。规划智能体负责将任务分解为子任务；研究智能体负责收集和整理信息；总结智能体负责为最终用户提炼研究结果。我们还将集成Pub/Sub消息传递进行通信；使用FAISS向量存储进行记忆处理；使用OpenAI GPT-4o进行推理。

1. 1. 步骤1——定义用例：我们将构建一个“研究与总结”多智能体系统：用户请求一个主题→规划智能体确定子主题→研究智能体收集信息→总结智能体将其浓缩为最终输出。
2. 2. 步骤2——选择智能体角色和提示：我们将角色和基本提示保存在YAML配置中，这样无需修改代码即可进行更新。

agents:  planner:    role: Break tasks into subtasks    prompt: "Given a user query, list 3–5 research subtopics."  researcher:    role: Gather info for each subtopic    prompt: "Search and retrieve concise, factual info on: {subtopic}"  summarizer:    role: Summarize all research    prompt: "Summarize the following research into an easy-to-read format."

1. 3. 步骤3——建立通信：这里我们使用谷歌的Sub/Pub进行异步消息传递。以下是使用发布者（向智能体发送任务）的示例：

import jsonfrom google.cloud import pubsub_v1publisher = pubsub_v1.PublisherClient()topic_path = "projects/my-project/topics/agent-tasks"def send_task(agent, payload):    data = json.dumps({"agent": agent, "payload": payload}).encode("utf-8")    publisher.publish(topic_path, data)

以下是订阅者接收信息（智能体接收任务）的方式：

from google.cloud import pubsub_v1subscriber = pubsub_v1.SubscriberClient()subscription_path = "projects/my-project/subscriptions/planner-sub"def callback(message):    print(f"Received task: {message.data}")    message.ack()subscriber.subscribe(subscription_path, callback=callback)

1. 4. 步骤4——实现任务路由和反馈：规划智能体将子任务发送给研究智能体，研究智能体将结果返回给总结智能体。智能体逻辑如下：

from langchain.llms import OpenAIllm = OpenAI(model="gpt-4o", temperature=0)def plan_research(query):    prompt = f"Break this down into 3-5 subtopics: {query}"    subtopics = llm.predict(prompt).split("\n")    for topic in subtopics:        send_task("researcher", {"subtopic": topic})

1. 5. 步骤5——集成记忆：我们将使用FAISS为总结智能体存储检索到的研究内容。

from langchain.vectorstores import FAISSfrom langchain.embeddings.openai import OpenAIEmbeddingsembeddings = OpenAIEmbeddings()db = FAISS.from_texts([], embeddings)def save_research(subtopic, text):    db.add_texts([f"{subtopic}: {text}"])def retrieve_all():    return "\n".join([doc.page_content for doc in db.similarity_search("", k=50)])

1. 6. 步骤6——部署和测试：将每个智能体进行容器化，使其能够独立运行；使用Kubernetes根据负载扩展研究智能体；设置日志记录（例如Stackdriver、ELK Stack）以跟踪消息流；监控Pub/Sub延迟和FAISS搜索性能。Dockerfile内容如下：

FROM python:3.11WORKDIR /appCOPY . /appRUN pip install -r requirements.txtCMD ["python", "agent.py"]

结论：从蓝图到生产

多智能体系统不再仅仅是学术概念——它们正在成为下一代人工智能应用的支柱。通过结合大型语言模型进行推理、明确的智能体角色分工、强大的通信渠道和可扩展的部署栈，开发者可以构建出真正能够实时协作和自适应的生产级系统。

在本文中，我们探讨了自主性、智能体类型、记忆和通信的核心概念；确保模块化、可扩展性和互操作性的架构原则；加速开发的实用框架和技术栈；一个从YAML配置到Pub/Sub消息传递、FAISS记忆处理和容器化部署的研究与总结多智能体系统的实践实现。

核心要点很简单：多智能体设计并非过多涉及复杂理论，而更多在于深思熟虑的工程选择。从小处着手（比如我们构建的三智能体系统），衡量性能，然后通过更多专业智能体、通信层和编排策略进行迭代。

接下来你可以做什么：

• • 尝试不同的框架（如LangChain、AutoGen、CrewAI）并比较权衡。
• • 为你的多智能体系统引入监控和自我改进循环以增强稳健性。
• • 通过引入Kubernetes、gRPC和高级内存存储逐步扩展到生产环境。

智能体人工智能的时代才刚刚开始——通过了解如何设计、协调和扩展这些系统，你正在为未来最强大的应用程序奠定基础。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】