技术深度解析
多智能体系统的核心创新不在于创建新的基础模型，而在于现有模型之上设计精密的协调层。从架构上看，这类系统通常遵循分解、分配、执行与合成的模式。
标准流程始于监督/编排智能体接收高层目标。它利用规划模型（通常是经过任务分解微调的更小型、低成本LLM）将目标分解为有向无环图（DAG）结构的子任务。随后路由/调度层将每个子任务匹配至资源池中最合适的专业智能体。这些专家可以是同一LLM搭载不同系统提示词和工具的实例，也可以是截然不同的模型——编码智能体可能采用DeepSeek-Coder，研究智能体选用Claude 3.5 Sonnet，评审智能体则调用GPT-4。智能体通过结构化的消息总线或共享工作区进行通信，传递结果、澄清请求与批判意见。关键在于，多数框架都实现了验证循环：由专属智能体根据标准审核输出后，才允许进入下一阶段。
主要技术挑战包括共识机制（化解智能体间的分歧）、状态管理（在长对话和多智能体间保持上下文）以及成本优化（在可能数十次模型调用中最小化token消耗）。各框架应对策略各异：例如CrewAI强调基于角色的协作，为每个智能体设定清晰目标和背景故事提示，促进类人团队合作；微软研究院开发的AutoGen首创可对话智能体概念，可配置多种交互模式，从顺序工作流到带主持人的群组讨论。
多个开源项目正推动实验浪潮。`CrewAI` GitHub仓库星标数已突破3万，近期更新聚焦长期记忆集成与更复杂的任务依赖管理；来自LangChain的`LangGraph`提供底层库用于构建带循环和条件流的有状态多参与者应用，已成为众多自定义智能体团队的支柱；研究项目`ChatDev`展示高度结构化的软件公司模拟，设置CEO、程序员、测试员等角色，在根据自然语言描述生成功能软件方面取得显著成果。
性能基准测试正在涌现，尽管标准化评估尚处早期。使用这些框架进行软件生成的团队数据显示，与单次GPT-4提示相比，幻觉代码和不完整实现显著减少。
| 框架 | 核心架构 | 关键优势 | 理想用例 |
|---|---|---|---|
| CrewAI | 基于角色的序列化团队 | 人性化设计，强协作隐喻 | 业务流程自动化，内容生产管线 |
| AutoGen | 可对话智能体，群组聊天 | 交互模式灵活，研究基础扎实 | 研究辅助，需辩论的复杂问题求解 |
| LangGraph | 基于图的状态机 | 流程控制精细，处理循环与递归 | 定制化复杂多步骤工作流 |
| ChatDev | 模拟公司工作流 | 高度结构化，专为软件创建优化 | 从需求到成品的端到端软件开发 |
核心洞察： 框架生态正走向多元化，不同方案针对从直观角色扮演到高度可编程图结构等协作范式进行优化，表明‘最佳’架构高度依赖具体使用场景。
关键参与者与案例研究
向多智能体系统的转型已在AI技术栈中催生出新的竞争层级：编排平台。老牌云服务商与敏捷初创公司正在激烈竞逐。
初创公司与开源项目：
- CrewAI凭借其对智能体、任务和工具的开发者友好抽象迅速成为社区宠儿，其商业产品旨在为大规模智能体舰队提供托管基础设施
- MultiOn与Adept专注于构建持久化、目标导向的网络交互智能体系统，其智能体可学习在多次会话中操作复杂网页界面，完成旅行预订、竞品分析等任务
- 由前Salesforce和谷歌高管创立的Sierra正在为企业客户服务部署对话式智能体团队，通过智能体组合处理客户交互的不同环节（意图识别、政策查询、共情回应）
科技巨头：
- 微软通过其AutoGen研究及与Azure AI Studio的集成，正将自己定位为企业级智能体工作流构建与部署平台