单 Agent 的局限性
理解单 Agent 的瓶颈，才能知道何时需要引入多 Agent 架构。
三个核心限制
# 限制1：Context Window 限制
# 单 Agent 的上下文窗口有限（即使 128K Token 也会在复杂任务中耗尽）
# 示例：分析整个代码库
problem = """
任务：分析 50,000 行代码，找出所有安全漏洞
单 Agent 的困境：
- 无法在单次调用中处理全部代码
- 必须分批处理，但如何保持上下文连贯性？
- 不同批次的分析结果如何整合？
"""
# 限制2：专业知识边界
# 一个 Agent 很难同时成为多个领域的专家
# 示例：全栈项目开发
fullstack_task = """
任务：构建一个完整的 Web 应用
需要的专业知识：
- 前端 React/Vue 开发
- 后端 Python/Node.js 开发
- 数据库设计（SQL/NoSQL）
- DevOps/CI-CD 配置
- 安全审计
单 Agent 的问题：一个 Agent 在所有领域都只有"平均"水平
"""
# 限制3：并行能力
# 单 Agent 本质上是串行的，无法真正并行执行
sequential_time = sum([10, 8, 12, 9, 7]) # 单 Agent：46秒
parallel_time = max([10, 8, 12, 9, 7]) # 多 Agent 并行：12秒
print(f"时间节省：{sequential_time - parallel_time} 秒（{(sequential_time-parallel_time)/sequential_time*100:.0f}%）")
多 Agent 的优势
# 优势展示：并行处理不同模块
import concurrent.futures
import time
from openai import OpenAI
client = OpenAI()
def single_agent_approach(tasks: list[str]) -> list[str]:
"""单 Agent：串行处理"""
results = []
for task in tasks:
# 每次调用需要等待
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": task}],
max_tokens=100
)
results.append(response.choices[0].message.content)
return results
def multi_agent_approach(tasks: list[str]) -> list[str]:
"""多 Agent：并行处理（每个任务一个独立 Agent）"""
def process_task(task: str) -> str:
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[{"role": "user", "content": task}],
max_tokens=100
)
return response.choices[0].message.content
with concurrent.futures.ThreadPoolExecutor(max_workers=5) as executor:
results = list(executor.map(process_task, tasks))
return results
# 对比测试
tasks = [
"用一句话描述Python的特点",
"用一句话描述JavaScript的特点",
"用一句话描述Go语言的特点",
"用一句话描述Rust语言的特点",
"用一句话描述Java语言的特点",
]
start = time.time()
single_results = single_agent_approach(tasks)
single_time = time.time() - start
start = time.time()
multi_results = multi_agent_approach(tasks)
multi_time = time.time() - start
print(f"单 Agent 耗时：{single_time:.2f}s")
print(f"多 Agent 耗时：{multi_time:.2f}s")
print(f"加速比：{single_time/multi_time:.1f}x")
什么时候使用多 Agent？
# 决策函数
def should_use_multi_agent(task: dict) -> bool:
"""判断是否需要多 Agent"""
criteria = {
"需要并行处理": task.get("parallelizable", False),
"需要多专业领域": len(task.get("domains", [])) > 2,
"任务复杂度高": task.get("complexity", 0) > 7,
"时间敏感": task.get("time_sensitive", False),
"需要互相验证": task.get("requires_verification", False),
}
# 满足2个以上条件就考虑多 Agent
met_criteria = sum(criteria.values())
print("评估结果：")
for criterion, met in criteria.items():
print(f" {'✅' if met else '❌'} {criterion}")
print(f"满足 {met_criteria} 个条件")
return met_criteria >= 2
# 测试
print(should_use_multi_agent({
"name": "全栈应用开发",
"parallelizable": True,
"domains": ["前端", "后端", "数据库", "安全"],
"complexity": 9,
"time_sensitive": True,
"requires_verification": True
}))
小结
使用多 Agent 的场景：
- 任务可以并行化（大幅节省时间）
- 需要多个专业领域（角色专业化）
- 任务超出单个 Context Window
- 需要相互验证（提升准确性）
📖 想深入了解多 Agent 系统的学术前沿？ 请阅读 14.6 论文解读：多 Agent 系统前沿研究，涵盖 MetaGPT、ChatDev、AutoGen、AgentVerse 等核心论文的深度解读。