第 29 期：群体智慧 — 多 Agent 协作与 Supervisor 架构

⏱ 预计阅读 7 分钟 更新于 2026/4/9

单 Agent 的瓶颈

一个 Agent 配 10+ 个工具后，会出现工具选择准确率下降、提示词超长等问题。解法：多 Agent 分工协作。

graph TB
    subgraph "❌ 单体 Agent (工具过载)"
        SA["🤖 一个 Agent
15+ 工具
选择困难症"]
    end
    
    subgraph "✅ 多 Agent 架构"
        Sup["👑 Supervisor Agent
理解意图 → 分发任务"]
        Sup --> A1["🤖 客服 Agent
3 个工具"]
        Sup --> A2["🤖 开发 Agent
4 个工具"]
        Sup --> A3["🤖 数据 Agent
3 个工具"]
    end
    
    style Sup fill:#ff6d5b,stroke:#e55a4e,color:#fff

1. Supervisor 架构

sequenceDiagram
    participant User as 👤 用户
    participant Sup as 👑 Supervisor
    participant CX as 🤖 客服 Agent
    participant Dev as 🤖 开发 Agent
    participant Data as 🤖 数据 Agent
    
    User->>Sup: "统计上周的客服工单，
找出导致最多投诉的 Bug，
在 GitHub 上创建修复 Issue"
    
    Note over Sup: 分解任务:
    
    Sup->>Data: "查询上周工单数据，按类型分组统计"
    Data-->>Sup: 结果: Bug类 45件, 功能请求 23件...
    
    Sup->>CX: "分析 45 件 Bug 工单，找出重复度最高的"
    CX-->>Sup: Top Bug: "支付页面加载失败" (出现 12 次)
    
    Sup->>Dev: "在 GitHub 创建 Issue: 支付页面加载失败修复"
    Dev-->>Sup: 已创建 Issue #789
    
    Sup-->>User: "上周共 68 件工单，Bug 类 45 件。
最高频 Bug 是'支付页面加载失败'(12次)。
已在 GitHub 创建修复 Issue #789。"

2. n8n 实现多 Agent

graph TB
    CT[💬 Chat Trigger] --> SupAgent[👑 Supervisor Agent]
    
    subgraph "Supervisor 工具集"
        SupAgent --> WT1["🔗 Workflow Tool
调用: 客服 Agent 工作流"]
        SupAgent --> WT2["🔗 Workflow Tool
调用: 开发 Agent 工作流"]
        SupAgent --> WT3["🔗 Workflow Tool
调用: 数据 Agent 工作流"]
    end
    
    WT1 --> SubWF1["📦 客服 Agent 子工作流
AI Agent + CRM Tools"]
    WT2 --> SubWF2["📦 开发 Agent 子工作流
AI Agent + GitHub MCP"]
    WT3 --> SubWF3["📦 数据 Agent 子工作流
AI Agent + DB Tools"]
    
    style SupAgent fill:#ff6d5b,stroke:#e55a4e,color:#fff
// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
// Supervisor Agent System Prompt
// ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

const supervisorPrompt = `
你是一个团队主管 (Supervisor)。你管理以下三个专家 Agent:

## 你的团队
1. **customer_support_agent**: 客服专家
   - 能力: 查询工单、分析投诉、回复客户
   - 调用: 传入问题描述，返回分析结果

2. **developer_agent**: 开发专家
   - 能力: 搜索代码、创建 Issue、查看 PR
   - 调用: 传入任务描述，返回执行结果

3. **data_analyst_agent**: 数据分析专家
   - 能力: 查询数据库、生成统计报告
   - 调用: 传入查询需求，返回数据结果

## 你的职责
1. 分解用户的复杂请求为多个子任务
2. 将子任务分发给合适的专家 Agent
3. 整合所有专家的返回结果
4. 给用户一个完整的、有条理的回答

## 规则
- 如果任务简单，不需要多个 Agent，可以只调用一个
- 如果某个 Agent 返回错误，尝试换一个 Agent 或调整任务描述
- 始终用中文回答用户
`;

3. 架构模式对比

graph TB
    subgraph "模式 A: Supervisor (主管调度)"
        SA[👑 Supervisor] --> A1[🤖 Agent 1]
        SA --> A2[🤖 Agent 2]
        SA --> A3[🤖 Agent 3]
    end
    
    subgraph "模式 B: Sequential (接力赛)"
        SB1[🤖 Agent 1
分析] --> SB2[🤖 Agent 2
执行]
        SB2 --> SB3[🤖 Agent 3
验证]
    end
    
    subgraph "模式 C: Debate (辩论)"
        SC1[🤖 Agent A
正方] <-->|"质疑与回应"| SC2[🤖 Agent B
反方]
        SC1 & SC2 --> Judge[👨‍⚖️ 裁判 Agent]
    end
模式 适用场景 优点 缺点
Supervisor 通用任务路由 灵活、可扩展 主管本身需要很强的理解力
Sequential 流水线处理 简单可靠 不够灵活
Debate 需要多角度验证 减少幻觉 Token 消耗高

下一步

Ep 30 将作为大结局——整合全部 30 期知识，构建一个完整的企业级 AI Agent 平台，并提供完整的系统架构参考图。