多代理系統（Multi-Agent Systems）的核心不是「多」，而是「分工與協調」：把一個大任務拆給多個各有角色、各有工具的代理去做，再由一個編排層（orchestration）決定誰先做、誰接手、結果怎麼彙整。昨天談單一 AI Agent 如何靠工具呼叫完成任務，今天要處理的問題是——當一個代理裝不下整個任務，該怎麼讓多個代理協作而不互相拖累。
📖 學
三種常見編排模式
- Orchestrator–Worker（編排者—工人）：一個 lead agent 負責規劃與拆解，把子任務丟給多個 worker 子代理「平行」執行，最後自己彙整。Anthropic 的研究系統就是這個結構，適合可切成互相獨立分支的任務（例如同時查多個主題）。
- Planner–Executor（規劃者—執行者）：先由 planner 產出一份步驟計畫，再交給 executor 逐步執行；計畫與執行分離，好處是可以先檢查計畫合不合理，再花錢去跑。
- Debate / 辯論：讓多個代理針對同一問題各自提案、互相反駁，再由裁判代理（judge）收斂。這在需要提高正確率、減少單一模型偏誤時有用，但成本最高。
角色分工與訊息傳遞
每個子代理通常被賦予明確 persona（角色）、可用工具、以及一段具體任務，避免「什麼都要做」。代理之間靠**訊息傳遞（message passing）溝通：可能是 orchestrator 明確「handoff」把控制權連同上下文轉交給另一個代理（OpenAI Agents SDK 的核心抽象就是 handoff），也可能透過共享記憶（shared memory / scratchpad）**寫入中間結果讓彼此讀取。關鍵在於：傳過去的到底是「完整對話」還是「壓縮過的摘要」——這直接決定成本與準確度。
框架概念地圖
- LangGraph：用「圖（graph）」描述狀態與節點流轉，可做審計軌跡與回滾點，是 2026 年企業級生產部署最主流的選擇。
- CrewAI：以 role-based「crew（團隊）」為心智模型，做原型（prototype）最快，但生產環境的可觀測性與錯誤復原較弱。
- AutoGen（Microsoft）：在研究與學術圈成熟，擅長多代理辯論與驗證模式。
- OpenAI Agents SDK：取代早期實驗性的 Swarm，核心是 handoff：代理間顯式交接控制權並帶著上下文過去。
失敗模式（比模式本身更該記）
- 上下文爆炸（context explosion）：每多一個代理、每一輪訊息，token 都在疊加。多代理系統的 token 消耗可達一般對話的約 15 倍。
- 責任分散 / 協調失靈：早期常見「為簡單問題狂生子代理」「重複搜尋」「彼此不同步」，導致結果矛盾或漏掉關鍵。
- 成本與延遲暴增：平行代理雖快，但總花費與 debug 難度都上升；出錯時很難定位是哪個代理、哪一步壞掉。
何時「多代理」反而不如「單代理 + 好工具」
當任務是緊密相依（tightly interdependent）、需要共享同一份上下文時——例如同一個功能的規劃、實作、測試——多代理會因為上下文切不乾淨而變糟，這類「同一件事的連續階段」用單一代理更好。多代理真正的甜蜜點是：任務能切成平行、彼此獨立的分支，而且成果價值大到值得多花那 15 倍成本。原則是：先用最簡單能動的做法，有證據支持再加複雜度。
🧠 記
- 多代理的價值來自「可平行、可獨立」的拆分，不是代理數量。
- 三模式：orchestrator–worker（平行分工）、planner–executor（先計畫後執行）、debate（多方辯論收斂）。
- 溝通兩條路：顯式 handoff（帶上下文交接）與共享記憶（寫/讀 scratchpad）。
- 傳「摘要」還是「全文」是成本與準確度的關鍵權衡。
- 三大失敗模式：上下文爆炸、責任分散、成本/延遲暴增（約 15× token）。
- 緊密相依、共享上下文的連續階段 → 用單一代理 + 好工具，別硬拆。
✍️ 實踐
今天的練習：把一個任務判斷該不該多代理化（約 25 分鐘） 1.（5 分）挑一個你手上真實的任務，寫下它的「輸入 → 產出」。 2.（8 分）畫拆解圖：列出子步驟，並標記每一步是「可平行且獨立」還是「相依於前一步的上下文」。 3.（5 分）套判準：若大多是相依步驟 → 結論是「單代理 + 好工具」；若有明顯可平行的獨立分支 → 才考慮 orchestrator–worker。 4.（5 分）若決定多代理，為每個子代理寫一句話 persona + 明確工具清單 + 單一任務，並註明它要傳回「摘要」還是「原始結果」。 5.（2 分）估算成本直覺：把預期代理數 × 輪數，提醒自己 token 會膨脹，寫下「值不值得」的一句話判斷。
🔗 延伸學習
- When to use multi-agent systems (and when not to) — Anthropic
- How and when to build multi-agent systems — LangChain
- The best AI agent frameworks in 2026 — LangChain
💬 問 AI
把你今天的拆解圖丟給 AI，請它當「架構審查者」幫你抓過度設計。試試這個提示詞：
我要做一個任務：<用一兩句描述輸入與產出>。
我的初步拆解如下：<貼上你的子步驟，標好哪些可平行、哪些相依>。
請你：
1. 判斷這個任務適合「單代理 + 工具」還是「多代理編排」，說明理由。
2. 若適合多代理，建議用 orchestrator-worker、planner-executor 還是 debate，為什麼。
3. 指出至少兩個可能的失敗模式（上下文爆炸/責任分散/成本暴增）並給緩解方法。
4. 直言我是否在過度設計，最簡可行版本會長怎樣。