AI Agent 与多智能体

本页介绍 LLM 应用生态中最高阶的形态——AI Agent（智能体）与多智能体系统：让 LLM 从”你问我答”进化为”你说目标，我自己搞定”。它是 LLM 应用生态概览中的”手脚”层，核心依赖提示工程中的 ReAct 模式和MCP 协议与工具调用中的工具能力。

核心直觉

Agent = 给 LLM 装上手脚和自主决策能力。

普通 LLM 对话像”咨询顾问”——你问一个，它答一个。Agent 像一个”实习生”——你给目标，它自己规划步骤、调用工具、检查结果、循环执行，直到任务完成。

单 Agent 循环：目标 → 思考（该干什么）→ 行动（调工具）→ 观察（看结果）→ 再思考 → … → 完成。这就是 ReAct 模式（Reasoning + Acting，推理与行动交替循环）。
多智能体协作：复杂任务拆给多个角色不同的 Agent，各司其职。比如”产品经理 Agent 写需求 → 程序员 Agent 写代码 → 测试 Agent 验证”——像一个小型团队。

2025 年里程碑：2025 年被称为”Agent 元年”——OpenAI Operator（浏览器操控 Agent）、Anthropic Computer Use（桌面操控 Agent）、Manus（通用 Agent）、Google Project Mariner 等产品集中爆发，Agent 从实验性技术进入主流商业应用。底层基础设施也在快速成熟：Anthropic 推出的 MCP（Model Context Protocol，模型上下文协议）成为连接 LLM 与外部工具的事实标准，OpenAI 发布了 Agents SDK，Google 提出了 A2A（Agent-to-Agent）协议。

原理详解

什么是 Agent？——一个技术定义

从工程角度，Agent 是一个以 LLM 为”大脑”的自主系统，具备三个核心能力：

感知（Perception）：接收用户目标、环境状态、工具返回结果等信息。
决策（Decision-making）：LLM 根据当前信息推理出下一步行动——调用哪个工具、传什么参数、或者直接回复用户。
行动（Action）：执行决策——通过 Function Calling（函数调用，即 LLM 输出结构化 JSON 指定函数名和参数）触发外部工具执行。

这三个能力构成一个循环（loop），直到任务完成或达到最大步数限制。

Agent 与普通 LLM 对话的本质区别

维度	普通 LLM 对话	LLM Agent
交互模式	单轮或简单多轮	多步循环，直到目标完成
信息来源	只有训练数据 + 用户输入	训练数据 + 实时工具调用结果
自主性	零——用户发起每次调用	高——Agent 自主决定下一步
错误恢复	无——错了就错了	有——看到工具报错可以自己修
执行时间	秒级（一次推理）	分钟到小时级（多步循环）

ReAct：Agent 的核心推理模式

ReAct（Yao et al. 2022）是几乎所有 Agent 的基础范式。核心是一个三步循环：

Thought（推理）：LLM 分析当前状态，决定下一步——“我需要搜索这个信息”。
Action（行动）：选择并调用一个工具——search("GPT-4 API price")。
Observation（观察）：工具返回结果，LLM 基于新信息继续推理。

Thought 和 Action 的交替让模型不必一次”想对”——它可以走一步看一步，每步都根据真实反馈修正方向。这是 Agent 能处理开放性任务的关键。

Agent 的工具体系

Agent 的能力边界取决于它能调用什么工具。2025 年的工具生态已经非常丰富：

搜索类工具：Tavily API、Brave Search API、Google Search——让 Agent 获取实时互联网信息。
代码执行工具：Python sandbox、Jupyter——让 Agent 运行代码做计算、数据分析。
文件操作工具：读写文件、Git 操作——让 Agent 管理代码库、生成文档。
浏览器/桌面工具：Anthropic Computer Use、OpenAI Operator——让 Agent 直接操控浏览器点击、输入、滚动，或操控桌面应用。
MCP 工具生态：通过 MCP 协议，Agent 可以连接数据库、Slack、GitHub、Notion 等数百种外部系统。详见 MCP 协议与工具调用。

多智能体系统：何时需要拆分？

单个 Agent 能力有限——当任务复杂到单 Agent 的 prompt（提示词）装不下，或者不同子任务需要截然不同的工具集和推理方式时，就需要多智能体协作：

角色分工：每个 Agent 专注于一个领域——研究员负责搜索，程序员负责写代码，测试员负责验证。
减少上下文污染：把不同类型的任务隔离在不同 Agent 的 context window（上下文窗口）中，避免互相干扰。
并行加速：多个 Agent 可以并行处理独立子任务。

主流多智能体协调方式：

对话协调（AutoGen）：Agent 之间通过消息传递协作，像开会一样。
流程协调（CrewAI）：预先定义好 Agent 的执行顺序和依赖关系，像流水线。
交接协调（OpenAI Swarm/Agents SDK）：Agent 遇到不擅长的子任务时，把控制权 handoff 给更合适的 Agent。

多智能体系统的关键挑战是协调：谁先做、谁后做、意见冲突怎么办。不同框架用不同策略解决——AutoGen 用”对话”，CrewAI 用”流程”，MetaGPT 用”软件工程 SOP”。详见 Agent 设计模式。

原理图解

Agent 决策循环（ReAct 模式）

多智能体协作

Agent 技术栈全景

动手实践

用 LangChain Agent 实现一个搜索 Agent

from langchain_openai import ChatOpenAI
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain.tools import Tool
from langchain_core.prompts import ChatPromptTemplate

# 定义一个简单的搜索工具（实际产品接入搜索 API）
def fake_search(query: str) -> str:
    return f"搜索结果：关于「{query}」的最新信息..."

tools = [Tool(name="search", description="搜索互联网获取信息", func=fake_search)]

# 创建 ReAct Agent
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是研究助手，用工具搜索后总结答案。"),
    ("human", "{input}"),
    ("placeholder", "{agent_scratchpad}"),  # Agent 的思考-行动记录
])
agent = create_tool_calling_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 执行：Agent 会自动搜索 → 阅读 → 总结
result = executor.invoke({"input": "2024 年 AI 领域最重要的突破是什么？"})
print(result["output"])

从零构建一个 ReAct Agent（不依赖框架）

理解 ReAct 最好的方式是亲手实现一个最小版本：

import openai
import json

client = openai.OpenAI()

# 定义 Agent 可用的工具
def search(query: str) -> str:
    """模拟搜索工具"""
    return f"搜索 '{query}' 的结果：相关数据已找到。"

def calculate(expression: str) -> str:
    """模拟计算工具"""
    try:
        return str(eval(expression))
    except Exception as e:
        return f"计算错误: {e}"

# 工具注册表：名称 → 函数
TOOL_REGISTRY = {
    "search": search,
    "calculate": calculate,
}

# 工具的 JSON Schema 定义（让 LLM 知道有哪些工具可用）
TOOLS = [
    {
        "type": "function",
        "function": {
            "name": "search",
            "description": "搜索互联网获取信息。当你需要查找实时数据、新闻、事实时使用。",
            "parameters": {
                "type": "object",
                "properties": {"query": {"type": "string", "description": "搜索关键词"}},
                "required": ["query"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "calculate",
            "description": "执行数学计算。当需要精确数值计算时使用。",
            "parameters": {
                "type": "object",
                "properties": {"expression": {"type": "string", "description": "数学表达式"}},
                "required": ["expression"],
            },
        },
    },
]

def react_agent(goal: str, max_steps: int = 10):
    """最小 ReAct Agent 实现"""
    messages = [
        {"role": "system", "content": "你是一个能使用工具的助手。一步步思考，必要时调用工具。"},
        {"role": "user", "content": goal},
    ]

    for step in range(max_steps):
        print(f"\n--- 步骤 {step + 1} ---")
        resp = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=messages,
            tools=TOOLS,
        )
        msg = resp.choices[0].message
        messages.append(msg)

        # 如果没有工具调用，Agent 认为任务完成
        if not msg.tool_calls:
            print(f"最终答案: {msg.content}")
            return msg.content

        # 执行每个工具调用
        for tc in msg.tool_calls:
            name = tc.function.name
            args = json.loads(tc.function.arguments)
            print(f"Action: {name}({args})")

            result = TOOL_REGISTRY[name](**args)
            print(f"Observation: {result}")

            messages.append({
                "role": "tool",
                "tool_call_id": tc.id,
                "content": result,
            })

    return "超过最大步数限制"

# 运行 Agent
# react_agent("搜索最新的 GPT 模型信息，然后计算如果每天调用 1000 次 API，30 天总共调用多少次")

这个最小实现展示了 ReAct 的本质：一个 while 循环，每次让 LLM 决定是”调工具”还是”给答案”。所有 Agent 框架的底层都是这个循环的变体。

实践要点

设最大步数：Agent 循环必须有硬上限（如 20 步）。否则一旦 Agent 陷入”再试一次”的死循环，token 消耗会爆炸。
工具描述决定 Agent 智商上限：Agent 选工具全靠读 description（工具描述）。描述不清的工具等于不存在。好的描述要写清”做什么、何时用、参数格式、返回什么”。
从单 Agent 开始：2025 年的工程共识——先从单 Agent + 工具循环开始，验证核心路径走通后，再考虑引入多智能体。过早引入多 Agent 架构是项目失败的首要原因。
可观测性必不可少：生产级 Agent 必须接入追踪（LangSmith、Langfuse 等）。没有追踪，Agent 调试全靠猜。
安全边界：Agent 能执行真实操作（删文件、发消息、付款），必须设置权限边界——哪些操作需要人类确认（Human-in-the-loop），哪些可以自动执行。
成本控制：Agent 的多步循环意味着高 token 消耗。要监控每次任务的实际成本，设置预算上限。

典型应用

AutoGPT：2023 年爆火的开源项目，用户给一个高层目标（“帮我调研 XX 并写报告”），Agent 自主规划、上网搜索、保存文件——“自主 Agent”概念的首个现象级产品。
Devin / Cursor Agent / Claude Code：AI 软件工程师，接收需求后自主编写代码、运行测试、调试修复——Agent 在编程领域的深度应用。详见AI 编程助手。
Manus：2025 年发布的通用型 Agent，能处理数据分析、文档处理、网页操作等多类型任务，展示了 Agent 从”聊天”到”干活”的跨越。
OpenAI Operator / Anthropic Computer Use：2025 年推出的浏览器/桌面操控 Agent，能直接操控浏览器点击、输入、滚动，将 Agent 的”手脚”从 API 调用扩展到完整的 UI 交互。
AutoGen / CrewAI / OpenAI Agents SDK：多智能体框架，用户编排多个角色化 Agent 协作完成复杂任务——“用自然语言管理一个 AI 团队”。详见 Agent 设计模式。
Perplexity Pro Search：AI 搜索引擎的多步推理模式，本质是一个搜索 Agent——自动分解问题、多轮检索、综合答案。详见 AI 搜索引擎。

典型类库与工具

类库	语言	说明
LangGraph	Python / TS	基于状态图的 Agent 编排框架，支持复杂控制流，2025 年生产级 Agent 首选
OpenAI Agents SDK	Python	OpenAI 2025 年正式发布的 Agent SDK，支持 handoff 交接、工具调用、内置追踪
AutoGen	Python	微软出品的多智能体对话框架，v0.4 重写后支持异步事件架构
CrewAI	Python	角色驱动的多智能体框架，定义角色→分配任务→自动协作，2025 年新增 Flows
LlamaIndex Workflows	Python	基于事件驱动的 Agent 工作流编排
MetaGPT	Python	模拟软件公司 SOP 的多智能体框架，产品经理/架构师/工程师各司其职
LangSmith / Langfuse	Python / TS	Agent 全链路追踪与评估平台

术语表

术语	英文	解释
智能体	Agent	能自主感知、决策、行动并调用工具完成目标的 AI 系统
推理与行动	ReAct (Reason + Act)	Thought → Action → Observation 循环，Agent 的核心推理模式
函数调用	Function Calling	LLM 输出结构化 JSON 指定函数名和参数，Agent 调用工具的底层机制
工具	Tool	Agent 可调用的外部能力，如搜索、代码执行、API 请求
上下文窗口	Context Window	LLM 单次能处理的最大 token 数量，限制了 Agent 的短期记忆容量
规划与执行	Plan-and-Execute	先制定完整计划再逐步执行的 Agent 模式，比 ReAct 更系统
多智能体	Multi-Agent	多个角色化 Agent 分工协作完成复杂任务的系统
交接	Handoff	一个 Agent 将控制权转交给另一个更适合当前子任务的 Agent
角色	Role	多智能体中每个 Agent 的身份与职责定义
反思	Reflection	Agent 回顾自身执行过程、总结经验并改进的能力
幻觉	Hallucination	LLM 生成看似合理但实际不正确的内容，Agent 用工具调用部分缓解此问题
全链路追踪	Tracing	记录 Agent 每一步的推理、行动、观察，用于调试和评估