搭了个多Agent系统三个Agent分工明确跑起来一看——Agent A的输出Agent B没收到Agent C等半天还没开始编排器把简单任务拆成了5步并行执行的结果没人合并。问题不是Agent能力不够是协作模式选错了。我见过一个团队花了两周搭编排者-工作者架构最后发现顺序链就够了——白白浪费了两周。顺序链、路由分发、编排者-工作者、并行执行、评估循环、图工作流、A2A协议互联——每种模式解决不同的问题。选错了要么过度复杂要么协作失灵。这篇文章从Anthropic、OpenAI、Google、CrewAI、A2A五大官方来源提取出7种核心协作模式告诉你每种模式干什么、什么时候用、各框架怎么实现。一、为什么需要7种模式很多人把多Agent等同于编排器子Agent但这个理解只覆盖了其中一种模式。Anthropic在《Building Effective Agents》里把这个分得很清楚他们把所有变体统称为agentic systems但区分了两大类——WorkflowsLLM和工具通过预定义代码路径编排流程是固定的AgentsLLM自主决定流程和工具使用动态规划这个区分很关键。Workflows适合你能预判流程的场景Agents适合你无法预判的场景。而现实中多数系统介于两者之间——核心流程固定局部动态。7种模式不是7个独立选项而是从最简单到最复杂的渐进阶梯。Anthropic说得很直白“Keep it simple. Only increase complexity when it demonstrably improves outcomes.”二、模式1顺序链Sequential/Prompt Chaining干什么任务按固定顺序执行前一步的输出自动成为后一步的输入。A→B→C不需要任何调度器。各框架实现框架术语实现AnthropicPrompt Chaining直接用LLM API串行调用中间可加程序化检查gateGoogle ADKSequentialAgentSequentialAgent(sub_agents[agent1, agent2])CrewAISequential Process按Task列表顺序执行context参数可自定义上下文来源OpenAI代码编排链式调用一个Agent输出转下一个输入Python顺序执行什么时候用任务可以清晰拆成固定步骤每一步有明确的输入输出格式中间需要质量检查gate实际案例内容创作流水线研究Agent收集素材 → 写作Agent生成初稿 → 审校Agent检查事实和语法 → 发布Agent排版输出。每一步都可以加检查——比如审校Agent发现事实错误直接回退到研究Agent。深坑延迟叠加每一步都要等上一步完成链越长越慢错误传播第一步出错后面全跟着错没有自动纠偏机制过度拆分3步能搞定的事拆成7步中间步骤的prompt设计和格式转换全是负担三、模式2路由分发Routing/Handoff干什么一个分类Agent或路由器判断输入属于哪个领域然后转交给对应的专家Agent处理。各框架实现框架术语实现AnthropicRouting分类器LLM判断类别导向专门的后续处理OpenAIHandoffshandoff(agentrefund_agent)自动生成transfer_to_refund_agent工具Google ADKRouterAgent实验性RouterAgent(agents[primary, fallback], strategyfallback)CrewAIHierarchical中的managermanager根据Agent能力动态委派但更接近编排者-工作者而非纯路由OpenAI Handoff的关键设计OpenAI的Handoff机制是目前最精细的路由实现控制权转移新Agent接管对话不像Agent as Tool那样返回后控制权回到原AgentInput Filter可以过滤对话历史不让新Agent看到敏感信息Handoff Inputs模型在转交时可以携带元数据如升级原因reason、语言language嵌套历史将之前的对话折叠为一条摘要避免历史过长# OpenAI Handoff 示例Triage agent什么时候用不同类别的输入需要完全不同的处理方式专家Agent之间不需要协作只需要独立处理各自领域客服场景是经典案例退款、账单、技术支持各有专家深坑分类不准路由器判断错误任务交给不合适的Agent结果更糟Handoff循环Agent A handoff给BB又handoff给A无限循环上下文丢失Handoff时对话历史可能被截断新Agent缺少关键信息四、模式3并行执行Parallelization干什么多个Agent同时执行结果在最后合并。有两种变体——分片Sectioning把大任务拆成独立子任务并行执行投票Voting同一个任务交给多个Agent取多数一致或最优结果各框架实现框架术语实现AnthropicParallelizationSectioning拆分 Voting投票Google ADKParallelAgentParallelAgent(sub_agents[agent_a, agent_b])OpenAI代码编排asyncio.gather并行调用多个Agent什么时候用子任务之间完全独立没有依赖关系需要加速执行多个子任务同时跑需要多视角验证多个Agent独立判断降低单点错误实际案例代码审查安全Agent查漏洞 性能Agent查瓶颈 风格Agent查规范三个Agent并行执行结果合并成一份完整审查报告。情报分析3个Agent分别从技术、商业、法律角度分析同一份报告投票取共识。深坑结果合并困难并行Agent输出格式不同合并需要额外编排逻辑资源消耗多个Agent同时运行token成本翻倍冗余浪费Voting场景下多数Agent做的是同样的工作五、模式4编排者-工作者Orchestrator-Workers干什么这是大多数人理解的多Agent——中央编排器动态分析任务决定拆成几个子任务、分给哪些工作者Agent最后综合结果。关键区别子任务不是预先定义的而是编排器根据输入动态决定的。各框架实现框架术语实现AnthropicOrchestrator-Workers中央LLM动态拆任务、委派worker LLMs、综合结果OpenAIAgents as ToolsAgent.as_tool()编排Agent保持对话控制权调用专家Agent作为工具CrewAIHierarchical Process必须指定manager_llm管理者动态委派审核验证Google ADKCollaborative Workflows单个Agent作为动态协调者与一组指定sub-agents协作Anthropic vs OpenAI的关键差异维度Anthropic Orchestrator-WorkersOpenAI Agents as Tools控制权编排器始终掌控编排Agent始终掌控对话专家角色Worker LLM独立完成子任务专家Agent作为工具被调用对话历史Worker不继承完整对话被调用Agent不继承对话历史适用子任务动态变化、结果需要综合需要合并多个专家输出、执行共享护栏什么时候用无法预测子任务的数量和性质比如编码时需修改的文件数取决于具体任务需要一个Agent统筹全局、合并多个专家结果复杂搜索任务从多个来源收集和分析信息深坑编排器过载所有决策压在一个Agent上编排器本身可能出错或超时Worker结果质量参差不同Worker返回的结果格式和质量不统一合并困难成本失控动态拆任务意味着每次执行的子任务数量不同成本难以预估六、模式5评估-优化循环Evaluator-Optimizer / Loop干什么一个Agent生成结果另一个Agent评估并给出反馈循环迭代直到结果达标。各框架实现框架术语实现AnthropicEvaluator-Optimizer生成Agent 评估Agent循环迭代Google ADKLoopAgentLoopAgent(sub_agents[reviewer], max_iterations3)什么时候用有明确的评估标准代码必须通过测试、文案必须满足事实准确率单次生成不够可靠迭代改进有明显价值代码生成场景是经典案例生成→测试→修改→再测试深坑循环不收敛评估Agent和生成Agent来回扯皮永远不达标——我实际跑过Evaluator-Optimizer3次迭代就能收敛的算是运气好5次以上才收敛的比想象中多必须设上限max_iterations是必需的否则可能无限循环烧token评估标准模糊如果评估Agent的标准不明确循环变成我觉得还行 vs “我觉得不行”七、模式6图工作流Graph Workflows干什么用有向图DAG定义执行路径——支持条件分支、循环、并行、顺序的任意组合。这是最灵活的模式但也是最复杂的。各框架实现框架术语实现Google ADK 2.0Graph WorkflowsGraphNode 条件路由LangGraphStateGraph基于状态图的节点边条件分支Google ADK 2.0的Graph示例基于官方架构推断my_workflowstartprocessstartprocessstartprocesslambdaneeds_processing什么时候用流程有条件分支根据中间结果走不同路径需要混合顺序并行循环工作流本身很稳定但路径选择需要动态判断深坑过度设计简单任务用图工作流是杀鸡用牛刀调试地狱图越复杂调试越难——哪个节点出了问题哪个分支走错了状态管理每个节点之间的状态传递需要精心设计否则信息丢失八、模式7A2A协议互联Protocol Interop干什么前面6种模式都是在同一个框架内协作。A2A协议解决的是跨框架问题——不同团队用不同框架开发的Agent如何互相通信协作Google的A2AAgent-to-Agent协议是一个开放协议让Agent通过JSON-RPC 2.0通信无需暴露内部状态、记忆或工具。A2A vs MCP不是替代是互补维度MCPA2A连接对象Agent → 工具/资源Agent → Agent交互方式函数调用结构化输入输出对话式多轮、有状态对象特征无状态、明确定义自主、有状态、可推理协议层Agent内部工具集成Agent间高层协作类比MCP是Agent的手连接工具干活A2A是Agent的嘴跟其他Agent商量。一个客服系统的完整架构用户 → 客服AgentA2A交互客服Agent → 账单AgentA2A协作账单Agent → 数据库查询工具MCP调用账单Agent → 零件供应商AgentA2A协作什么时候用不同团队用不同框架LangChain团队 vs Dify团队需要跨组织Agent协作供应商Agent对接采购AgentAgent需要保持不透明不暴露内部逻辑和记忆深坑通信延迟Agent间多轮对话比单次函数调用慢得多发现机制Agent Card描述能力但描述可能不准确或不完整安全边界跨组织协作需要认证和权限控制A2A目前这方面还在演进九、选型决策树不要一上来就用编排者-工作者。Anthropic说得对能用简单模式解决的别用复杂模式。你的任务能拆成固定步骤吗 ├─ YES → 顺序链模式1 │ └─ 中间需要质量检查 → 加gate │ └─ 不同步骤需要不同专家 → 路由分发模式2 │ └─ NO → 子任务之间独立吗 ├─ YES → 并行执行模式3 │ └─ 需要多视角验证 → Voting变体 │ ├─ NO → 子任务数量能预判吗 ├─ YES → 图工作流模式6 │ ├─ NO → 编排者-工作者模式4 │ └─ 结果需要迭代优化 → 加评估循环模式5 │ └─ 跨框架协作 → A2A协议模式7核心原则单Agent好prompt能解决的别搞多Agent顺序链能解决的别搞编排器路由分发能解决的别搞图工作流同框架内能解决的别引入A2A十、各框架全览模式AnthropicOpenAIGoogle ADKCrewAIA2A顺序链Prompt Chaining代码编排链式调用SequentialAgentSequential Process—路由分发RoutingHandoffsRouterAgent(实验)—Agent Card发现并行执行ParallelizationPython asyncio(非SDK原生)ParallelAgent——编排者-工作者Orchestrator-WorkersAgents as ToolsCollaborativeHierarchical—评估循环Evaluator-Optimizerwhile循环评估AgentLoopAgent——图工作流——Graph(ADK 2.0)——协议互联————A2A JSON-RPC注CrewAI的Hierarchical Process同时覆盖路由分发和编排者-工作者两种模式——manager既做路由决策也做任务委派。OpenAI的并行执行依赖Python原生并发asyncio.gather不是SDK内置模式。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁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】