多 Agent 协同

基本原理协同模式工程视觉示例Python 入口

多 Agent 不是堆角色，而是明确分工、通信、共享状态和裁决机制。

基本原理

多 Agent 不是简单多开几个聊天窗口，而是把复杂任务拆成不同角色：规划者、检索者、分析者、执行者、评审者和报告者。它解决的是单模型在复杂任务中容易遗漏步骤、缺少复核、难以并行处理的问题。

协同模式

模式	结构	适合场景
主管-专家	Supervisor 分派任务，专家执行，Reviewer 审查	技术报告、研究分析、工程方案
流水线	一个 Agent 输出作为下一个输入	文档解析、DIC/PIV 分析报告、合同审查
辩论评审	多个 Agent 产出候选结论，评审融合	高风险决策、技术路线比较
黑板系统	多个 Agent 读写共享工作区	知识图谱构建、跨部门协同
人机闭环	低风险自动执行，高风险由人确认	企业业务流程、采购、实验结论发布

工程视觉示例

Agent	职责	技术
数据 Agent	读取图像、元数据、时间戳，检查缺帧	OpenCV、Pandas
DIC/PIV Agent	计算位移场、应变场或速度场	DICe、OpenPIV、NumPy
物理校验 Agent	检查结果是否满足物理范围	规则、有限元/CFD 结果
知识图谱 Agent	关联材料、工艺、历史实验和标准	Neo4j、NetworkX
报告 Agent	生成图表、结论和下一步建议	LLM、模板

Python 入口

agents = {
    "data": lambda x: {"frames": "cleaned_frames", "meta": "experiment_meta"},
    "analysis": lambda x: {"field": "displacement_or_velocity"},
    "review": lambda x: {"status": "needs_manual_review" if x else "ok"},
}

state = agents["data"]("raw_experiment")
state.update(agents["analysis"](state))
state.update(agents["review"](state))
print(state)

这个伪代码表达多 Agent 的数据流。正式实现可使用 LangGraph、AutoGen 或 CrewAI。