第39回　多智能体协作——分工、辩论与协调算法

一人智短多有漏，众口一词未必真。
分工若无规矩在，吵成一锅更伤神。

第38回我们把单智能体拴在状态机上：能重试、能回滚、能审计。
可很多任务天生像“工地项目”，不是一个人能扛的：

一边查资料，一边写代码，一边做评测
一边做规划，一边做执行，一边做验收
一边做方案，一边做反对意见，一边做风险清单

于是多智能体（Multi-Agent）系统兴起：
让多个 LLM 代理协作，试图用“群体智能”换可靠性与效率。

近年的综述把多智能体协作机制系统化归纳：通信、协调、任务分配、共识形成等都各有门道。¹
同时也强调了挑战：上下文管理、记忆管理、角色对齐与任务分配都可能变成新的失败源头。²

这一回不谈框架名，谈“算法味”的三件事：

怎么分工
怎么交流
怎么达成共识

一、分工：不是“多几个聊天框”，而是“角色有边界”

常见的分工方式（直觉版）：

主从式：一个协调者（Manager）下发任务，多个工人（Worker）执行
专家式：不同代理负责不同领域（检索、写作、验证、合规）
辩论式：一正一反对冲，最后由裁判收敛

分工的关键在“边界”：

谁能改最终答案
谁只能提建议
谁负责验收与否决

没有边界，多智能体最容易演变成“互相覆盖、互相打架”。

二、交流：拓扑决定信息流

交流不是越多越好，拓扑（谁跟谁说）决定效率与稳定：

星型：大家只对协调者说，最可控
环形：信息轮转，适合逐步改进
树形：层级汇总，适合大任务分解
全连接：最自由，但最容易噪声爆炸

综述里常把通信模式也归类：汇报、接力、辩论、共享记忆等。¹

你把它理解成开会就行：
全员自由发言很热闹，但往往最没效率。

三、共识：多数表决、裁判仲裁与“带验证的共识”

多智能体的共识形成，常见三种：

多数表决：谁赞成票多听谁
裁判仲裁：专门一个 Judge 代理做裁决
带验证的共识：先投票，再用工具/检索/单元测试验证胜者

第三种最贴近导读的“慢思考”：
不是靠嘴赢，而是靠证据赢。

四、极简可跑代码：一个“多代理投票 + 规则验证”的玩具

下面代码模拟：

三个代理给出答案与置信度（手工写死，演示结构）
先做加权投票
再做一个极简验证（答案必须包含“引用”字样）

def weighted_vote(candidates):
    score = {}
    for ans, w in candidates:
        score[ans] = score.get(ans, 0.0) + w
    best = max(score.items(), key=lambda x: x[1])[0]
    return best, score


def verify(ans):
    return "引用" in ans


if __name__ == "__main__":
    agents = [
        ("答案：……（略）\n引用：证据A", 0.6),
        ("答案：……（略）\n引用：证据B", 0.3),
        ("答案：……（略）", 0.8),
    ]

    best, detail = weighted_vote(agents)
    print("vote_detail=", detail)
    print("best=", best)
    print("verify=", verify(best))

你会发现一个现实直觉：
如果不加验证，“最自信的胡说”可能赢。
一旦加上验证门槛，系统就会偏向“更像可交付物”的答案。

这就是多智能体系统的正确打开方式：
把共识建立在可验证约束上，而不是建立在音量上。

五、小结：协作系统的难点不在“多”，在“收口”

多智能体有可能更强，也有可能更乱。
能不能变强，取决于你是否做到：

分工有边界
通信有拓扑
共识有验证

下一回（第40回）我们不唱赞歌，专讲翻车：
多智能体失败分析——常见失败模式、根因分类与“怎么止血”。

欲知后事如何，且听下回分解。

幻觉核查

多智能体协作机制（通信/协调/共识等）系统化分类：可核对综述对机制维度的归纳。¹
多智能体挑战（任务分配、上下文与记忆管理、对齐等）：可核对挑战论文对问题列表的讨论。²
本回代码为投票与验证的结构演示，不代表真实多智能体系统的安全性、鲁棒性与评测方案。

逻辑审计

与第38回衔接：第38回解决“单体工作流可控”，第39回把可控思想迁移到群体：拓扑与验证就是群体的护栏。
与导读一致：导读强调“慢思考与自校验”，本回把自校验升级为“群体共识 + 验证收口”。
为第40回铺路：只讲机制不讲失败是空谈；下一回用失败模式把工程要点钉死。

引用与溯源

Multi-Agent Collaboration Mechanisms: A Survey of LLMs arXiv:2501.06322 (2025-01) https://arxiv.org/abs/2501.06322 ↩ ↩² ↩³
Han, S., et al. LLM Multi-Agent Systems: Challenges and Open Problems arXiv:2402.03578 (v3: 2026-01-28) https://arxiv.org/abs/2402.03578 ↩ ↩²

第39回 多智能体协作——分工、辩论与协调算法