多智能體協(xié)同調(diào)度2025目錄01多Agent系統(tǒng)的必要性實驗探索與未來方向預(yù)測03彩訊多Agent調(diào)度框架設(shè)計020405應(yīng)用案例分享行業(yè)主流多Agent框架分析多Agent系統(tǒng)的必要性大模型加持下人工智能發(fā)展趨勢中國人工智能行業(yè)政策中央“完善生成式人工智能發(fā)展和管理機制”《中共中央關(guān)于進一步全面深化改革推進中國式現(xiàn)代化的決定》提到，要完善生成式人工智能發(fā)展和管理機制。工信部《國家人工智能產(chǎn)業(yè)綜合標準化體系建設(shè)指南》到2026年，我國人工智能產(chǎn)業(yè)標準與產(chǎn)業(yè)科技創(chuàng)新的聯(lián)

動水平持續(xù)提升，新制定國家標準和行業(yè)標準50

項以上，引領(lǐng)人工智能產(chǎn)業(yè)高質(zhì)量發(fā)展的標準體系加快形成。國資委“AI+”專項行動鼓勵國資央企帶頭加快布局，開展“AI+”專項行動，在算力、數(shù)據(jù)、大模型、場景應(yīng)用等方面同步發(fā)力，深入挖掘高價值場景并全面開放，開展供需協(xié)同合作，形成一批行業(yè)應(yīng)用示范標桿。網(wǎng)信辦《互聯(lián)網(wǎng)信息服務(wù)深度合成管理規(guī)定》為促進生成式人工智能健康發(fā)展和規(guī)范應(yīng)用，根據(jù)《中華人民共和國網(wǎng)絡(luò)安全法》《中華人民共和國數(shù)據(jù)安全法》《中華人民共和國個人信息保護法》等法律、行政法規(guī)制定的部門規(guī)章草案互聯(lián)網(wǎng)生態(tài)向智能體生態(tài)發(fā)展中國人工智能發(fā)展迅速，行業(yè)規(guī)模持續(xù)增長；國家不斷推出相關(guān)AI落地扶持政策，促進AI全方位深化發(fā)展。APPAPP

StoreIOS/AndroidLLMAgent

StoreAgent移動互聯(lián)網(wǎng)應(yīng)用生態(tài)智能體應(yīng)用生態(tài)人工智能產(chǎn)業(yè)發(fā)展迅速，智能體將給應(yīng)用軟件的形態(tài)和業(yè)態(tài)帶來顛覆性變化，成為垂直應(yīng)用的超級入口多Agent系統(tǒng)的必要性復(fù)雜的問題通常難以由單一的集中式系統(tǒng)來解決。將復(fù)雜問題分解為多個相對獨立的子問題，可以提高系統(tǒng)的可擴展性和可維護性。通過多個

Agent之間的交互和協(xié)商有助于實現(xiàn)整體最優(yōu)?；睘楹営捎贏gent之間是松耦合的,多智能體系統(tǒng)更容易適應(yīng)變化的環(huán)境和需求。Agent可以動態(tài)地加入或退出系統(tǒng),提高系統(tǒng)的魯棒性。更靈活LongContext是很多LLM追求的特性之一，單一的Agent也會受到Context的限制，因為Agent一般都通過XoT(CoT、ToT、GoT)+React等方法來規(guī)劃和思考，上下文會不斷的加長，遲早會突破窗口限制。因此拆分Agent的功能避免超過上下

文窗口限制是一個很有效的方法。突破上下文窗口大小Multi-Agent隨著大模型技術(shù)的發(fā)展，Agent的結(jié)構(gòu)不同廠商幾乎大同小異，一般包含感知、規(guī)劃、執(zhí)行、工具、記憶。為什么會需要一個

Multi-Agent框架？簡單的說，人們的直覺是模仿人類分工協(xié)同的模式，能夠更有效的解決問題。更底層的邏輯是為了突破單

Agent的一些限制。行業(yè)主流多Agent框架分析什么是“multi-agent”？側(cè)重：團隊能力Agents之間的協(xié)作：通過不同的

Agent之間的分工協(xié)作（有的做規(guī)劃，有的執(zhí)行，執(zhí)行的時候可以調(diào)用工具，也可以利用LLM本身的代碼，總結(jié)能力等），完成一些比較復(fù)雜的任務(wù)Agent自動化調(diào)度：廣播機制，訂閱發(fā)布者機制、Routing等Multi-Agent通信：長短鏈multi-agent指的是由LLM語言模型驅(qū)動的多個獨立行動者Agent以特定方式連接在一起，每個代理都可以擁有自己的提示詞，LLM底層模型，調(diào)用工具和其他自定義代碼，以便與其他代理最好地協(xié)作。單Agent代表：AutoGTP、BabyAGI代表方法：ReACT核心功能：使用工具的能力multi-AgentVSAutoGenCrew.AIChatDevSwarmMetaGPTLangGraph多Agent行業(yè)主流框架概覽LangGraph是一個用LLM構(gòu)建有狀態(tài)（stateful）、多參與者（multi-actor）應(yīng)用庫，用于創(chuàng)建Agent和multi-agent工作流。LangGraph允許定義包含循環(huán)的流，它提供了對應(yīng)用程序流和狀態(tài)的細粒度控制。此外，LangGraph包括內(nèi)置的持久化機制，支持高級的human-in-the-loop和記憶功能。LangGraph介紹共享思考鏈上下文模式中介者模式分層團隊模式LangGraph—共享思考鏈上下文模式用戶輸入生成一張北京過去十年平均溫度的圖表Agent

A氣象研究員：負責(zé)發(fā)起"search"函數(shù)或"FINISH"操作RouterRouter:根據(jù)agent輸出的語句路由消息。如果語句是"FINALANSWER"，則直接將消息發(fā)送給User。如果語句是"continue"或"start

sender"，則將消息發(fā)送給Chart

Generator。Call_ToolAgent

B制表員：負責(zé)根據(jù)數(shù)據(jù)繪制圖表每次LLM調(diào)用之后，Router會根據(jù)LLM的輸出決定接下來應(yīng)該做什么：如果LLM調(diào)用了一個工具，路由器會繼續(xù)執(zhí)行該工具。如果LLM返回“FINAL

ANSWER”（最終答案），則任務(wù)結(jié)束，返回給用戶。如果沒有調(diào)用工具且沒有返回“FINALANSWER”，則路由器會繼續(xù)調(diào)用另一個LLM。Call_tool:共享組件，被Researcher和ChartGenerator調(diào)用。stated：{Sender}idcontinueboolmessagestringFunctionidFINALANSWERbool思考鏈開始路徑MessageMessagefinal

answercontinue

andstated[Sender]==Agent

Bstated[Sender]==Agent

Astated[Sender]==Agent

Bcontinue

andstated[Sender]==Agent

AAutoGen由微軟推出，提供了一個統(tǒng)一的多智能體對話框架。該框架簡化了復(fù)雜LLM工作流的編排、自動化和優(yōu)化。它最大限度地提高了LLM模型的性能，并克服了它們的弱點。它使得基于多智能體對話構(gòu)建下一代LLM應(yīng)用變得輕松。AutoGen介紹通用類：Conversable

Agent用于能夠通過交換消息進行對話以共同完成任務(wù)的智能體。一個智能體可以與其他智能體進行通信并執(zhí)行動作。在接收到消息后，不同的智能體可能在執(zhí)行動作方面有所不同。子類Assistant

Agent類：充當(dāng)AI助手，默認使用LLMs，但不需要人類輸入或代碼執(zhí)行。當(dāng)接收到消息時，它可以為用戶編寫Python代碼。它還可以接收執(zhí)行結(jié)果并提出修正或錯誤修復(fù)建議。可以通過傳遞新的系統(tǒng)消息來改變其行為。UserProxy

Agent類：在概念上是一個人類的Agent機器人，通過默認方式在每個交互回合中征求人類的輸入作為Agent機器人的回復(fù)，并且具備執(zhí)行代碼、調(diào)用函數(shù)或工具的能力。在基礎(chǔ)Agent通信的基礎(chǔ)上增加了兩個概念：GroupChat、GroupChatManager使用GroupChat和GroupChatManager來實現(xiàn)多Agent之間的互動?？梢酝ㄟ^設(shè)置max_round和speaker_selection_method來控制Agent之間的通信流程。可以通過定義一個next_speaker方法來控制Agent的發(fā)言順序，實現(xiàn)更復(fù)雜的多Agent互動?？梢酝ㄟ^插入特定的提示來影響Agent的發(fā)言順序，從而控制聊天的流程。 構(gòu)建兩個智能體，例如：

#助手assistant

=

AssistantAgent(name="assistant",llm_config={"config_list":

config_list})#用戶Agentuser_proxy

=

UserProxyAgent(name="user_proxy",

code_execution_config={"executor":

code_executor})初始化步驟開始一個多Agent對話會話，例如：user_proxy.initiate_chat(assistant,message="""今天是幾號？今年哪只大型科技股票的年初至今漲幅最大？漲幅是多少？""",)3.多Agent對話會話開始，例如：可視化示例如右圖所示。①助手從用戶Agent接收到包含任務(wù)描述的消息。②助手嘗試編寫Python代碼來解決任務(wù)，并將響應(yīng)發(fā)送給用戶Agent。③用戶Agent收到助手的響應(yīng)后，嘗試通過征求人類輸入或準備自動生成的回復(fù)來進行回復(fù)。如果沒有提供人類輸入，用戶Agent執(zhí)行代碼并將結(jié)果用作自動回復(fù)。④助手為用戶Agent生成進一步的響應(yīng)。用戶Agent可以決定是否終止對話。如果不終止，則重復(fù)步驟3和4。AutoGen：基本的兩個Agent對話示例上圖定義了一個簡單的研究工作流程，包含4個狀態(tài)：Init、Retrieve、Research和End。在每個狀態(tài)中，將調(diào)用不同的

Agent來執(zhí)行任務(wù)。Init：使用Initializer來啟動工作流程。Retrieve：首先調(diào)用Coder來編寫代碼，然后調(diào)用Executor來執(zhí)行代碼。Research：我們將調(diào)用Scientist來閱讀論文并撰寫摘要。End：我們將結(jié)束工作流程。其中：Initializer：通過發(fā)送任務(wù)開始工作流程。(即右圖代碼所示的最下面user.initate_chat)Coder：通過編寫代碼從互聯(lián)網(wǎng)上獲取論文。Executor：執(zhí)行代碼。Scientist：閱讀論文并撰寫摘要。AutoGen：復(fù)雜的多Agent示例Swarm是OpenAI開發(fā)的多智能體框架，Swarm關(guān)注的重點是讓智能體協(xié)作和執(zhí)行變得輕量、高度可控且易于測試。Swarm的核心在于兩種原語抽象：智能體(agent)和交接(handoff)。智能體包含指令和工具，并且在任何時間都可以選擇將對話交接給另一個智能體。這種設(shè)計使得智能體之間可以靈活地傳遞任務(wù)，適應(yīng)不同的場景和需求。Swarm介紹主要組件：get_chat_completion：向OpenAI發(fā)送請求，獲取聊天完成結(jié)果，構(gòu)建消息歷史并處理工具參數(shù)handle_function_result：處理函數(shù)或Agent返回的結(jié)果，確保其格式正確。handle_tool_calls：處理助手的工具調(diào)用，更新上下文變量并處理缺失工具。run_and_stream：生成器函數(shù)，循環(huán)執(zhí)行Agent任務(wù)并逐步返回結(jié)果。run：與run_and_stream類似，但一次性返回完整結(jié)果，不是流式的。工作流程：run和run_and_stream負責(zé)與Agent交互，發(fā)送消息，處理響應(yīng)、工具調(diào)用，并在多輪對話中管理消息歷史和上下文變量。Crew.AI介紹CrewAI是一個開創(chuàng)性的多Agent協(xié)作平臺，旨在通過多Agent協(xié)作提升AI解決方案的效率和智能。每個Agent都配備有一套獨特的工具和能力，能夠協(xié)作、分配任務(wù)、共享信息，并高效地解決復(fù)雜問題。CrewAI中的關(guān)鍵Agent工具 基于角色的Agent設(shè)計：為Agent定制特定的角色、目標和工具。 自主Agent間任務(wù)委托：Agent能夠自主地委托任務(wù)并在彼此之間詢問，提高問題解決的效率。 靈活的任務(wù)管理：使用可定制的工具定義任務(wù)，并動態(tài)分配給Agent。 流程驅(qū)動：目前僅支持順序任務(wù)執(zhí)行和層級流程，但正在開發(fā)更復(fù)雜的流程，如共識和自主流程。 將輸出保存為文件：將單個任務(wù)的輸出保存為文件，以便后續(xù)使用。 解析輸出為Pydantic或Json：將單個任務(wù)的輸出解析為Pydantic模型或Json格式。 與開源模型兼容：使用Open

AI或開源模型或本地模型運行您的團隊！ChatDEV是由OpenBMB團隊開源的對話式AI開發(fā)平臺，旨在為開發(fā)者提供一個集模型訓(xùn)練、交互設(shè)計和實時評估于一體的高效工具。ChatDEV基于經(jīng)典的瀑布模型，將軟件開發(fā)過程劃分為：設(shè)計、編碼、測試和記錄四個階段。每個階段都有一個Agent團隊（如程序員、代碼評審員、測試工程師等），他們通過協(xié)作對話和無縫工作流程推動開發(fā)進程。ChatDEV

介紹設(shè)計在設(shè)計階段，ChatDEV的三個角色（首席執(zhí)行官、首席產(chǎn)品官和首席技術(shù)官）共同探討軟件的核心功能、編程語言以及系統(tǒng)模式。每個角色的任務(wù)由“角色分配系統(tǒng)提示”來指引，并通過記憶流機制保持對話的連續(xù)性。編碼編碼階段由三個角色（CTO、程序員、藝術(shù)設(shè)計師）協(xié)作完成。編程任務(wù)由程序員根據(jù)CTO的指示實現(xiàn)，設(shè)計師則負責(zé)圖形用戶界面的設(shè)計。為了減少編碼過程中的臆想，ChatDEV引入了“思維指示”機制，確保指令明確并幫助程序員聚焦于解決特定子任務(wù)。這一機制有效地減少了代碼中的不必要冗余，并提高了代碼的準確性。測試測試階段涉及程序員、審查員和測試員，主要任務(wù)包括代碼的同行評審和系統(tǒng)測試。“思維指示”機制來幫助程序員根據(jù)反饋修改代碼，逐步消除潛在的錯誤。通過這個多輪反饋循環(huán)，確保了最終代碼的質(zhì)量。記錄在軟件開發(fā)完成后，ChatDEV的智能體們生成相關(guān)的文檔，包括環(huán)境依賴性配置說明和用戶手冊。這些文檔幫助用戶獨立配置軟件環(huán)境，并了解系統(tǒng)的使用方法。聊天鏈ChatDEV采用瀑布模型，將軟件開發(fā)過程劃分為設(shè)計、編碼、測試和記錄四個階段。每個階段進一步細分為多個原子聊天任務(wù)，這些任務(wù)通過智能體間的有效協(xié)作和相互驗證逐步完成。每個任務(wù)都通過一個稱為“聊天鏈”的序列進行管理。在這個過程中，指導(dǎo)者發(fā)起指示，助手根據(jù)指示提供解決方案，直到任務(wù)完成。MetaGPT是一種多智能體框架，其利用SOP來協(xié)調(diào)基于LLM的多智能體系統(tǒng)，從而實現(xiàn)元編程技術(shù)。該框架使用智能體模擬了一個虛擬軟件團隊，包含產(chǎn)品經(jīng)理、架構(gòu)師、項目經(jīng)理、工程師、質(zhì)量工程師等角色，并引入SOP成為框架的虛擬軟件團隊的開發(fā)流程。其專注于軟件開發(fā)，覆蓋了從需求分析到代碼實現(xiàn)的全生命周期覆蓋。在MetaGPT中，多智能體被視為一個智能體社會，其中：多智能體=智能體+環(huán)境+標準流程（SOP）+通信+經(jīng)濟智能體：擴展了多智能體定義，每個智能體都具備獨特有的LLM、觀察、思考、行動和記憶。環(huán)境：環(huán)境是智能體生存和互動的公共場所。智能體從環(huán)境中觀察到重要信息，并發(fā)布行動的輸出結(jié)果以供其他智能體使用。標準流程（SOP）：這些是管理智能體行動和交互的既定程序，確保系統(tǒng)內(nèi)部的有序和高效運作。通信：通信是智能體之間信息交流的過程。它對于系統(tǒng)內(nèi)的協(xié)作、談判和競爭至關(guān)重要。經(jīng)濟：這指的是多智能體環(huán)境中的價值交換系統(tǒng)，決定資源分配和任務(wù)優(yōu)先級。MetaGPT

介紹行業(yè)多Agent框架總結(jié)分析02

Autogen使用協(xié)同工作的對話Agent，但它缺乏內(nèi)在的流程概念。Agent間的協(xié)同需要額外的編程，當(dāng)任務(wù)規(guī)模增大時，協(xié)調(diào)工作的復(fù)雜性也隨之增加，可能變得繁瑣且難以管理。04

ChatDev引入了流程的概念到AI

Agent的領(lǐng)域，但其實現(xiàn)方式相對僵化。ChatDev的定制化功能有限，不適用于生產(chǎn)環(huán)境，這可能限制了其在實際應(yīng)用中的可擴展性和靈活性06

Swarm為多Agent初學(xué)者設(shè)計的框架，操作簡便，以簡化Agent創(chuàng)建和上下文切換為主要特色，非常適合制作短小的演示。但其靈活性較差，且不支持OpenAI

API以外的LLM，因而不適合生產(chǎn)級的應(yīng)用01

LangGraph一個更底層的框架，它提供了一種用于定義和執(zhí)行多智能體工作流程的通用語言。適用于各種多智能體應(yīng)用，但它也需要更多的開發(fā)人員技能來構(gòu)建復(fù)雜的應(yīng)用03

Crew.AI為了生產(chǎn)環(huán)境而構(gòu)建的，提供了

Autogen的對話靈活性以及ChatDev的結(jié)構(gòu)化流程方法，但沒有ChatDev的僵化限制05

MetaGPT實現(xiàn)原理復(fù)雜，完整復(fù)現(xiàn)項目實現(xiàn)細節(jié)，不容易學(xué)習(xí)和理解，沒有很好的進行簡化和封裝?？赡艿膽?yīng)用范圍限制：重心在軟件開發(fā)的角色場景，其他場景都需要大量定制工作020504030601多Agent框架選型分析多輪交互場景選擇AutoGen，因其在代碼生成及復(fù)雜任務(wù)編排方面表現(xiàn)優(yōu)秀復(fù)雜任務(wù)Lang

Gr

aph則是高級用戶的理想選擇，它提供了高度可定制的邏輯和編排能力經(jīng)濟實惠Auto

Gen開源平

臺，因其預(yù)設(shè)豐富，初始成本較低，是個不錯的選擇新手Swar

m和

Cr

ew

AI非常友好，易于上手，適合進行簡單的多Agent實驗開源L

L

MLang

Gr

aph與開源LLM的兼容性很好，Cr

ew

AI也可作為不錯的選擇彩訊多Agent調(diào)度框架設(shè)計子智能體庫組件庫智慧大腦模塊任務(wù)管理模塊用戶輸入智能體構(gòu)建響應(yīng)智能體創(chuàng)建智能體接入組件調(diào)度意圖識別用戶意圖推理子任務(wù)分解生成子任務(wù)響應(yīng)單Agent調(diào)度框架設(shè)計與實現(xiàn)：框架整體架構(gòu)介紹調(diào)度協(xié)同模塊子任務(wù)下發(fā)子Agent生成工作流響應(yīng)調(diào)度執(zhí)行工作流mapping-reAct融合的多智能體調(diào)度模式MappingReact22智慧大腦的角色與功能統(tǒng)一對外智能助手郵箱助手（AI+郵箱）云盤助手（AI+云盤）云機助手（AI+云手機）通話助手（AI+新通話）消息助手（AI+5G消息）辦公助手（AI+移動IM）通話智能辦公數(shù)字資產(chǎn)管理圖文變換智能翻譯商務(wù)速記反詐防護智能應(yīng)答招聘數(shù)字員工財務(wù)數(shù)字員工審計數(shù)字員工黨建數(shù)字員工資產(chǎn)檢索資產(chǎn)分類資產(chǎn)整理內(nèi)容生成妙云相機AI頭像成語接龍文生圖內(nèi)部各業(yè)務(wù)智能體智慧大腦作為AIBOX多Agent系統(tǒng)的“大腦”，旨在將用戶與各類Agent連接起來。實現(xiàn)Agent的統(tǒng)一管理和協(xié)作，使得不同業(yè)務(wù)模塊中的Agent能夠協(xié)同工作，打破業(yè)務(wù)壁壘，實現(xiàn)資源的優(yōu)化配置與智能分配。打車助手（AI+滴滴）訂票助手（AI+大麥）生活服務(wù)娛樂消費網(wǎng)約打車外賣快遞上門服務(wù)……搶購門票景點預(yù)約視頻點播……外部各類業(yè)務(wù)智能體智慧大腦智能體接入單智能體調(diào)度任務(wù)轉(zhuǎn)發(fā)智能體創(chuàng)建XX助手（AI+XX）智慧大腦功能:實現(xiàn)跨業(yè)務(wù)領(lǐng)域的智能體協(xié)同：智慧大腦通 過建立統(tǒng)一的協(xié)作機制，打通不同業(yè)務(wù)領(lǐng)域 的Agent，實現(xiàn)信息的順暢流動。它能夠有效整合業(yè)務(wù)流程，促進各個模塊之間的協(xié)作，支持復(fù)雜任務(wù)鏈的無縫執(zhí)行。提升用戶體驗：智慧大腦具備強大的上下文 感知能力，能夠?qū)崟r跟蹤用戶在不同業(yè)務(wù)場 景中的行為和歷史操作數(shù)據(jù)，從而提供個性 化、連續(xù)的服務(wù)體驗，避免了傳統(tǒng)系統(tǒng)中的 用戶體驗割裂現(xiàn)象。統(tǒng)一智能體的能力標準與優(yōu)化：智慧大腦在

Agent之間建立了統(tǒng)一的能力標準，確保各

Agent在業(yè)務(wù)執(zhí)行中的表現(xiàn)一致，消除了能 力參差不齊的問題，使得各項任務(wù)能夠在高 效、穩(wěn)定的狀態(tài)下完成。意圖理解是多Agent系統(tǒng)的重要模塊，我們?yōu)橐鈭D識別模塊配置了豐富的組件。除此之外，為了加快意圖響應(yīng)速度，還引入了子智能體庫和技能庫，減少模型反復(fù)識別意圖的次數(shù)，從而提升了響應(yīng)效率。用戶請求輸入各個部分功能:意圖識別模塊：意圖識別模塊通過預(yù)處理、意圖算法和后處理組件，對輸入信息進行清洗、分類和標注，以便準確識別用戶的意圖，并通過實體識別提取關(guān)鍵信息，從而為后續(xù)處理和決策提供支持。技能庫：用于存儲已建技能的相關(guān)信息，包括Tool

ID用于表示技能身份，技能描述，以及在調(diào)用它時使用的URL鏈接。子智能體庫：用于存儲子Agent的相關(guān)信息，包括Agent

ID用于表示子Agent身份，子智能體描述以及它歸屬的父類智慧大腦意圖識別模塊意圖識別與調(diào)度策略配置預(yù)處理組件意圖算法組件后處理組件實體識別調(diào)度策略配置意圖分級分類定義意圖模型注冊意圖配置定義事件模版日志記錄定義事件結(jié)構(gòu)規(guī)則編輯器熱詞配置規(guī)則優(yōu)先級配置意圖模版定義清洗規(guī)則關(guān)鍵詞配置選擇分詞算法停用詞表配置時間格式設(shè)置地點格式設(shè)置自定義格式定義約束條件同義詞庫配置知識圖譜配置提示詞模版配置模型配置子智能體庫Agent

ID子智能體描述子智能體類技能庫Tool

IDTool描述Tool

URLAgent_1Agent_2智慧大腦：用戶意圖識別任務(wù)分解策略的目的是將用戶的輸入需求轉(zhuǎn)化為一系列小的、具體的任務(wù)，每個任務(wù)處理輸入中的一部分工作。通過將任務(wù)分解成多個子任務(wù)，可以讓系統(tǒng)更加靈活地處理多Agent系統(tǒng)的復(fù)雜需求。用戶請求輸入提示工程：#AI助手可以將用戶輸入解析為多個任務(wù)：任務(wù)必須從子只能體庫的子智能體類中選擇.聊天歷史記錄為{{Chat

Logs}}從聊天記錄中，你可以找到用戶提到的資源的路徑，以便于你的任務(wù)規(guī)劃?！又悄荏w庫Agent

ID子智能體描述子智能體類推理模型生成任務(wù)Chat

Logs：用戶對話上下文模塊記錄關(guān)鍵要點:邏輯關(guān)系：任務(wù)之間應(yīng)當(dāng)存在邏輯關(guān)系，AI 助手會注意它們的順序。如果無法解析用戶 輸入，AI助手會回復(fù)空的JSON。從用戶輸入解析任務(wù)：通過對用戶的需求進 行分析，AI助手首先將用戶的輸入分解成多

個任務(wù)。例如，如果用戶請求的是一個商品搜 索和購買流程，任務(wù)分解就會把它拆解成不同 的子任務(wù)，如搜索商品、獲取商品信息、下單 等。任務(wù)類型：每個子任務(wù)都有明確的任務(wù)類型（如搜索、獲取信息、下單等），并根據(jù)類型選擇合適的操作。任務(wù)拆解與規(guī)劃：任務(wù)分解策略為了確保任務(wù)能夠正確、順序執(zhí)行，以及后續(xù)的子Agent任務(wù)正確分發(fā)，在任務(wù)分解后，接下來是對任務(wù)的優(yōu)先級和依賴關(guān)系進行規(guī)劃。為此我們設(shè)計了能表明任務(wù)優(yōu)先級和任務(wù)依賴關(guān)系的響應(yīng)字段，并通過提示工程實現(xiàn)。關(guān)鍵要點:依賴關(guān)系：在多個任務(wù)之間，某些任務(wù)的執(zhí) 行的執(zhí)行順序依賴于前一個或者幾個任務(wù)的 結(jié)果（-1表示起始任務(wù)）。智慧大腦通過

dep字段，明確了哪些任務(wù)需要等待其他任 務(wù)完成后才能執(zhí)行。任務(wù)優(yōu)先級：根據(jù)任務(wù)的依賴關(guān)系，系統(tǒng)可 以確定任務(wù)執(zhí)行的順序。如果某些任務(wù)沒有 依賴關(guān)系，可以并行執(zhí)行，這樣可以提高執(zhí) 行效率。輸入依賴關(guān)系：<resource>-task_id用于表 示其輸入依賴于哪個任務(wù)的輸出。有些任務(wù) 盡管執(zhí)行順序相近，但所以依賴的輸入可能 是更早的子任務(wù)的輸出。#1任務(wù)規(guī)劃階段AI助手可以將用戶輸入解析為多個任務(wù)：[{"task"：task，"id",task_id,"dep":dependency_task_ids,"args":{"text":text,"image":URL,"audio"：URL，"video":URL}}]"dep"字段表示生成當(dāng)前任務(wù)所依賴的新資源的前一個任務(wù)的id。特殊標簽"<resource>-task_id"表示在id為task_id的依賴任務(wù)中生成的文本、圖片、音頻和視頻。任務(wù)必須從以下選項中選擇：{{Agent_CLASS}}.任務(wù)之間存在邏輯關(guān)系，請注意它們的順序。如果無法解析用戶輸入，你需要回復(fù)空的JSON。以下是幾個參考案例：{{Demonstrations}}.聊天歷史記錄為{{Chat

Logs}}。從聊天記錄中，你可以找到用戶提到的資源的路徑，以便于你的任務(wù)規(guī)劃。Demonstrations用戶輸入：商品的描述，返回商品圖片及各個平臺的銷售價格A:[{"task":"search_goods","task_id":0,"dep":[-1],"args":("text":"商品的描述"}},{"task":

"get_picture_url",

"task_id":

1,"dep":

[0],

"args":

{"text":

"<resource>-0"

}},{"task":

"get_price",

"task_id":

2,"dep":

[1],

"args":

{"text":

"<resource>-1"

}},]完整的任務(wù)分解步驟的提示工程任務(wù)拆解與規(guī)劃：規(guī)劃任務(wù)的優(yōu)先級與依賴關(guān)系為了使得智慧大腦在任務(wù)分發(fā)時更好的拆分出子任務(wù)，我們對子Agent進行了分類設(shè)計。在任務(wù)拆分環(huán)節(jié)，智慧大腦會依據(jù)子Agent的類進行拆分，并建立了子Agent庫。子Agent作為底層被調(diào)用模塊，只需嚴格按照意圖大腦的分發(fā)任務(wù)執(zhí)行。子智能體庫Agent

ID子智能體描述子智能體類Music關(guān)鍵要點:子智能體類：用于對Agent進行歸類，方便在智慧大腦建立任務(wù)時，會按照已建立的工具類，更加準確的拆分建立子任務(wù)類型。Agent

ID：Agent

ID是多Agent協(xié)同的基礎(chǔ)，不同的

Agent之間的任務(wù)邏輯依賴，信息之間的轉(zhuǎn)發(fā)，均以此為基礎(chǔ)，AgentID是幫助智慧大腦和子Agent建立起通信的關(guān)鍵；子智能體描述：子智能體描述是幫助智慧大腦為每一個拆分后的子任務(wù)進行分配的依據(jù)，智慧大腦會依據(jù)子智能體描述，決定將子任務(wù)分發(fā)給哪個子智能體；多Agent協(xié)同調(diào)度：子Agent的分類與功能在執(zhí)行完任務(wù)規(guī)劃階段后，智慧大腦會依據(jù)Agent列表中的Agent描述，為每一個拆分后的子任務(wù)分配子Agent，并說明其選擇該子Agent的原因，便于用戶的直觀理解，和后續(xù)調(diào)整。#2

Agent選擇階段：根據(jù)用戶請求和調(diào)用命令，針對{{#1任務(wù)規(guī)劃階段}}劃分的task，AI助手幫助用戶從{{Agent}}和{{工具庫}}中為每一個task選擇一個合適的Agent來處理用戶請求。

AI助手僅輸出最合適Agent的Agent_id。如果沒有匹配合適的Agent，你需要回復(fù)空的JSON。輸出必須嚴格遵守JSON格式：

[{"task":task,"id":task_id,"dep":dependency_task_ids,"agent_id":"agen·t_id","reason":"你選擇的詳情原因","args":{"text":text,"image":URL,"audio":URL,"video":URL}}]我們有一份Agent列表供你選擇{{Agent}}請從列表中選擇需要的agent。任務(wù)分配步驟的提示工程關(guān)鍵要點:子Agent選擇：對于每一個拆分后的子任務(wù) 上，只應(yīng)當(dāng)選擇一個子Agent；Json格式：在建立調(diào)度策略的提示工程后， 協(xié)同工作環(huán)節(jié)通過解析JSON格式數(shù)據(jù)實現(xiàn) 任務(wù)協(xié)同。選擇子agent的原因：這是作為后續(xù)React 和糾錯的依據(jù)，如果當(dāng)前輪執(zhí)行失敗，這為 智慧大腦提供了錯誤案例，防止二次錯誤。多Agent協(xié)同調(diào)度：調(diào)度策略與算法我們通過為每一個子Agent配置路由來實現(xiàn)子Agent之間的協(xié)同工作機制，在我們的架構(gòu)下Agent之間不是直接通信的，而是通過專屬的路由進行轉(zhuǎn)發(fā)，這樣有效的控制了Agent之間的通信標準問題。子agent路由架構(gòu)Agent_1Agent_1Agent_1響應(yīng)Json輸入轉(zhuǎn)發(fā)返回結(jié)果轉(zhuǎn)發(fā)返回結(jié)果轉(zhuǎn)發(fā)返回結(jié)果輸出發(fā)送給下一個節(jié)點輸出發(fā)送給下一個節(jié)點返回輸出關(guān)鍵要點:相應(yīng)Json輸入：智慧大腦只會在起始節(jié)點

時參與執(zhí)行，讀取json里的第一個AgentID， 并將Json輸入，由第一個路由解析，再由其 執(zhí)行后續(xù)的轉(zhuǎn)發(fā)操作；選擇路由的原因：這樣可以有效避免不同子

agent之間的輸入輸出格式不匹配問題，在

對于子agent的請求都會由Router進行清洗， 確保只返回必要的信息。路由間的傳遞：路由間的轉(zhuǎn)發(fā)，均通過讀取

Json字段中的當(dāng)前Agent

ID的下一個Agent ID,來明確轉(zhuǎn)發(fā)路徑，并通過重新寫入回填結(jié) 果，保證每一個子Agent的執(zhí)行結(jié)果都會被 記錄。多Agent協(xié)同調(diào)度：協(xié)同工作的機制整體結(jié)構(gòu)智慧大腦：智慧大腦功能包括智能體創(chuàng)建、智能體接入和初步的意圖識別及匹配。在使用過程，用戶的輸入會首先經(jīng)由智慧大腦模塊，由智慧大腦進行初次意圖識別，并進行單智能體/技能匹配，如果沒有匹配到則開始執(zhí)行多智能體任務(wù)拆分。任務(wù)管理模塊：當(dāng)用戶的請求需要多智能體構(gòu)建時，對用戶的請求進行子任務(wù)拆分并標識。儲存和管理構(gòu)建的子任務(wù)。調(diào)度協(xié)同模塊：對任務(wù)管理模塊構(gòu)建的子任務(wù)，進行任務(wù)匹配和下發(fā)，構(gòu)建出完整的子智能體協(xié)同鏈，同時記錄每一步的響應(yīng)多Agent/技能庫：作為全局數(shù)據(jù)庫，貫穿每一個過程，方便各個模塊訪問使用?？蚣茉O(shè)計與實現(xiàn)：關(guān)鍵模塊與功能解析智慧大腦上下文召回核心大模型Agent注冊模塊知識庫匹配模塊意圖識別模塊Agent創(chuàng)建模塊組件匹配模塊關(guān)鍵要點:意圖識別模塊：負責(zé)分析用戶輸入，識別用戶的意圖，為后續(xù)任務(wù)分解與匹配提供依據(jù)；Agent注冊模塊：管理多平臺Agent的接入與注冊，為智慧大腦提供可用的Agent資源庫。核心大模型：提供智慧大腦的核心計算能力，通過強大的自然語言理解和生成能力支持復(fù)雜任務(wù)的處理。單Agent匹配模塊上下文召回：用于存儲和檢索會話歷史，在多輪對話中維持上下文連貫性，確保智能體的應(yīng)答準確且相關(guān)。Agent創(chuàng)建模塊：動態(tài)生成新的Agent實例，用于處理特定任務(wù)或支持多任務(wù)并行執(zhí)行。單Agent匹配模塊：動態(tài)生成新的Agent實例，用于處理特定任務(wù)或支持多任務(wù)并行執(zhí)行。技能匹配模塊：動態(tài)生成新的Agent實例，用于處理特定任務(wù)或支持多任務(wù)并行執(zhí)行?？蚣茉O(shè)計與實現(xiàn)：智慧大腦模塊任務(wù)管理模塊核心推理模型任務(wù)拆分提示工程上下文召回子智能體庫檢索模塊關(guān)鍵要點:核心推理模型：提供推理用戶請求，進行任務(wù)分解的核心計算能力，確保任務(wù)管理的高效執(zhí)行。子智能體檢索模塊：在任務(wù)拆分階段：檢索當(dāng)前可用的Agent類型，為任務(wù)分解提供基礎(chǔ)信息。上下文召回：記錄和檢索任務(wù)相關(guān)的上下文信息，保持任務(wù)管理在多輪操作中的一致性和連貫性。任務(wù)拆分提示工程:使用提示工程方法將復(fù)雜任務(wù)分解為多個子任務(wù)，并提供必要的分解邏輯和依據(jù)。存儲記錄模塊存儲記錄模塊:負責(zé)記錄任務(wù)拆分過程中的關(guān)鍵數(shù)據(jù)，包括任務(wù)狀態(tài)、分解邏輯和依據(jù)等，支持后續(xù)任務(wù)

追蹤、分析和優(yōu)化。框架設(shè)計與實現(xiàn)：任務(wù)管理模塊調(diào)度協(xié)同模塊核心推理模型上下文召回子智能體庫檢索模塊組件庫檢索模塊關(guān)鍵要點:核心推理模型：提供推理用戶請求，進行任務(wù)下發(fā)的核心計算能力，確保任務(wù)管理的高效執(zhí)行。子智能體檢索模塊：在任務(wù)下發(fā)階段，結(jié)合技能庫檢索模塊，為拆分后的子任務(wù)匹配合適的Agent實例。技能庫檢索模塊：在任務(wù)下發(fā)階段，根據(jù)任務(wù)需求，檢索技能庫以確定符合條件的技能，為子任務(wù)匹配最合適的Agent和能力支持。任務(wù)下發(fā)提示工程:基于提示工程的方法，結(jié)合子智能體檢索模塊和技能庫檢索模塊，為子任務(wù)分配最適合的智能體和技能，確保任務(wù)執(zhí)行的準確性和高效性。存儲記錄模塊:負責(zé)記錄任務(wù)拆分過程中的關(guān)鍵數(shù)據(jù)，包括任務(wù)狀態(tài)、分解邏輯和依據(jù)等，支持后續(xù)任務(wù)追蹤、分析和優(yōu)化。路由轉(zhuǎn)發(fā)分配模塊：基于Agent

ID的路由轉(zhuǎn)發(fā)策略，將任務(wù)和相關(guān)信息精準分發(fā)至對應(yīng)的Agent實例，實現(xiàn)高效的任務(wù)調(diào)度與協(xié)同工作。路存由儲轉(zhuǎn)任務(wù)下發(fā)記發(fā)提示工程錄分模配塊模塊框架設(shè)計與實現(xiàn)：調(diào)度協(xié)同模塊昨晚8點收到了何嘉發(fā)來的offer郵件，幫我回復(fù)她：確認入職。已經(jīng)發(fā)送完成，可以通過郵箱智能體查看完整郵件。好的，立即執(zhí)行。執(zhí)行中：正在新建郵件。。郵箱智能體查看郵件用戶輸入意圖識別大腦云盤智能體智能體池郵箱智能體5G消息智能體XX智能體新建郵件技能調(diào)度回復(fù)郵件郵件分類XX技能已有工作流技能執(zhí)行自動規(guī)劃工作流LLM工作流節(jié)點執(zhí)行插件API系統(tǒng)節(jié)點智能體調(diào)度郵箱智能體技能池意圖識別工作流節(jié)點輸出結(jié)果短期記憶|工作流執(zhí)行短鏈短期記憶|智能體執(zhí)行長鏈長期記憶執(zhí)行結(jié)果執(zhí)行計劃輸入?yún)?shù)智能體下發(fā)參數(shù)，

收件人，

收件時間，

郵件內(nèi)容執(zhí)行結(jié)果用戶需求，

對話信息智能體畫像、用戶畫像、會話數(shù)據(jù)調(diào)起參數(shù)數(shù)據(jù)流郵箱登錄郵件查詢是否存在回復(fù)郵件意圖大腦結(jié)束是否修改查詢條件輸入?yún)?shù)信息反饋1、需要用戶更新入?yún)?、執(zhí)行失敗郵箱智能體工作流以單意圖單任務(wù)為例展示智能體協(xié)同工作流程，通過意圖識別大腦調(diào)度智能體池中的相關(guān)能力模塊，完成用戶輸入的任務(wù)指令，并利用短期與長期記憶提升任務(wù)執(zhí)行效率，實現(xiàn)自動化的任務(wù)分配與反饋用戶交互界面時間：昨晚8點發(fā)件人：何嘉賬號、密碼用戶畫像基礎(chǔ)個人信息【1】姓名【2】郵箱地址【3】認證信息【4】。。。個人習(xí)慣【1】常用郵箱【2】常用聯(lián)系人【3】。。。智能體畫像1、郵箱智能體：為用戶提供電子郵件發(fā)送服務(wù)。主要功能：回復(fù)郵件：提供郵件回復(fù)功能發(fā)送郵件：提供郵件發(fā)送功能…2、云盤智能體3、5G消息智能體XXX信息【1】【2】【3】。。。訪問數(shù)據(jù)池鏈接意圖大腦做多輪對話或推薦識別結(jié)果讀取數(shù)據(jù)讀取數(shù)據(jù)多智能體協(xié)同-單任務(wù)意圖34多智能體協(xié)同-多任務(wù)意圖多任務(wù)處理流程，用戶請求包含多個操作，系統(tǒng)通過意圖識別大腦調(diào)度郵件智能體和云盤智能體，分別完成郵件發(fā)送與附件查詢的任務(wù)，實現(xiàn)多步驟任務(wù)的協(xié)同處理。昨晚8點收到了何嘉發(fā)來的offer郵件，幫我回復(fù)她：確認入職。并添加我云盤中的身份證正反面照片、研究生和本科生畢業(yè)證書圖片作為附件。已經(jīng)發(fā)送完成，可以通過郵箱智能體查看完整郵件。好的，立即執(zhí)行。執(zhí)行中：正在查找圖片。。郵箱智能體查看郵件用戶交互界面郵箱登錄添加附件回復(fù)郵件郵箱智能體結(jié)束否輸入?yún)?shù)工作流1：發(fā)送郵件用戶輸入意圖識別大腦意圖識別郵件查詢是否存在是是否存在是云盤登錄圖片查詢是否存在圖片發(fā)送云盤智能體是否修改查詢條件輸入?yún)?shù)工作流2：查找圖片入?yún)l(fā)送附件素材等待郵箱智能體發(fā)送否修改查詢條件1、時間范圍擴大2、相似收件人查詢輸入需求，入?yún)⒉蛔銜r進行多輪對話輸入需求和附件，入?yún)⒉蛔銜r進行多輪對話實際應(yīng)用案例案例一：某地市不動產(chǎn)登記中心主要數(shù)據(jù)源政策法規(guī)地方法規(guī)管理辦法標準規(guī)范公示公告政策解讀某地級市不動產(chǎn)智能客服：本方案核心為解決不動產(chǎn)行業(yè)疑難問題多、信息量龐大等難題，依托AIBox連接不動產(chǎn)領(lǐng)域海量知識，為該行業(yè)工作人員、企業(yè)及民眾的自助咨詢提供快速、統(tǒng)一、完整、準確的對話式AI智能咨詢問答服務(wù)。同時將基于用戶對話數(shù)據(jù)回流給模型，實現(xiàn)模型的迭代學(xué)習(xí)。不斷強化，形成標準服務(wù)能力，為多渠道多場景的服務(wù)復(fù)用提供智能知識底座。產(chǎn)品形態(tài)：H5（后續(xù)可內(nèi)置于小程序、公眾號、APP、網(wǎng)站等平臺，實現(xiàn)規(guī)模復(fù)用）支持語義識別、多輪問答、引導(dǎo)式對話等常見問題登記相關(guān)購房/過戶/委托/抵押/解押/夫妻/繼承…產(chǎn)權(quán)相關(guān)房屋買賣/租賃/土地管理/使用權(quán)…法規(guī)相關(guān)管理法/條例/規(guī)章/管理辦法…36廣東移動企業(yè)微信AI升級項目現(xiàn)已針對消費者渠道銷售全過程展開，該項目致力于應(yīng)用AI技術(shù)構(gòu)建11個營銷服務(wù)典型場景的應(yīng)用。這將在客戶引流、商機轉(zhuǎn)化、方案生產(chǎn)、服務(wù)質(zhì)量等方面實現(xiàn)降本提效，并已完成初步規(guī)劃。目前，部分場景已先行落地試點。彩訊在此項目中積累了消費者渠道全

鏈路AI輔助解決方案的實踐經(jīng)驗，樹立了行業(yè)樣板。案例二：廣東移動營銷導(dǎo)購助手應(yīng)用示例1：打通授信小程序，完成授信后提供查詢服務(wù)應(yīng)用示例2：指導(dǎo)用戶自助報障、排障應(yīng)用示例3：推薦最適合該用戶的產(chǎn)品、服務(wù)、活動整體方案架構(gòu)案例三：智能報價助手核心優(yōu)勢類人交互支撐詢問、動態(tài)調(diào)整報價方案自動生成報價可人為干預(yù)報價書格式統(tǒng)一報價書也下載制造者智能報價客服：核心為解決制造業(yè)報價困難、定制化程度高、疑難問題多、信息量龐大等難題，依托AIBox連接制造業(yè)領(lǐng)域海量知識，為客戶自助咨詢提供快速、統(tǒng)一、完整、準確的對話式AI智能咨詢問答服務(wù)。產(chǎn)品形態(tài)：H5（后續(xù)可內(nèi)置于小程序、公眾號、APP、網(wǎng)站等平臺，實現(xiàn)規(guī)模復(fù)用）案例四：智能客服中的復(fù)雜意圖規(guī)劃與任務(wù)調(diào)度訂票功能旅游規(guī)劃天氣查詢景點介紹案例五：數(shù)字員工系統(tǒng)的多Agent協(xié)同控制利用AIBOX結(jié)合app調(diào)用、系統(tǒng)調(diào)用、文生圖、語音轉(zhuǎn)文字等技能，結(jié)合私人數(shù)據(jù)，為用戶提供多模態(tài)數(shù)據(jù)搜索、語音輸入、AI能力調(diào)用等服務(wù)搜筆記搜音頻項目所需意圖能力搜文件夾

綜合搜索搜人像

頭像更換智能摳圖照片修復(fù)項目所需業(yè)務(wù)能力語音搜索照片語音搜索筆記，并調(diào)用智能糾錯功能調(diào)用語音生成會議紀要功能業(yè)務(wù)能力系統(tǒng)調(diào)用數(shù)據(jù)查詢app調(diào)用……原子AI能力文本生成

文生圖音頻轉(zhuǎn)寫……案例六：基于AI郵箱的辦公數(shù)字員工實驗探索與未來方向預(yù)測HuggingGPT工作流程：任務(wù)規(guī)劃：HuggingGPT在接收到用戶請求后，首先使用大型語言模型進行任務(wù)規(guī)劃。該階段將請求分解為多個結(jié)構(gòu)化任務(wù)，并確定任務(wù)之間的依賴關(guān)系和執(zhí)行順序。模型選擇：任務(wù)規(guī)劃完成后，HuggingGPT需要為每個任務(wù)選擇合適的模型。通過在HuggingFace

Hub上獲取專家模型的描述，系統(tǒng)動態(tài)匹配任務(wù)和模型。任務(wù)執(zhí)行：任務(wù)被分配給相應(yīng)的模型后，HuggingGPT進行推理計算，生成任務(wù)執(zhí)行結(jié)果。在執(zhí)行過程中，系統(tǒng)根據(jù)任務(wù)的資源依賴性決定是否進行并行處理，即當(dāng)任務(wù)之間沒有資源依賴時，可以同時執(zhí)行多個任務(wù)。響應(yīng)生成：在所有任務(wù)執(zhí)行完成后，HuggingGPT進入響應(yīng)生成階段。這一階段將前三個階段的信息（任務(wù)規(guī)劃、模型選擇和任務(wù)執(zhí)行）匯總成一個簡潔的響應(yīng)，包括任務(wù)列表、所選模型以及推理結(jié)果。最終的響應(yīng)由模型的推理結(jié)果支持，并以結(jié)構(gòu)化的格式呈現(xiàn)，如檢測模型中的邊界框、問答模型中的答案等。HuggingGPT任務(wù)分發(fā)思路核心思路：對于用戶的請求，有一個核心控制進行任務(wù)理解，并將其拆解為各個單Agent可執(zhí)行的子任務(wù)，再由核心控制模塊進行任務(wù)鏈構(gòu)建，對其執(zhí)行過程進行監(jiān)督?？蚣芙Y(jié)構(gòu)：配置的數(shù)據(jù)庫：Agent庫：用于記錄當(dāng)前Agent的Agent_ID，Agent描述，Agent歸屬的技能類等關(guān)鍵信息。插件庫：用于記錄當(dāng)前已配置的相關(guān)可直接調(diào)用的插件/技能/工作流等的描述及調(diào)用接口。工作流庫：用于記錄當(dāng)前已正確生成的工作流的工作流流動節(jié)點、執(zhí)行順序以及工作流處理的任務(wù)詳情介紹。關(guān)鍵模塊：核心控制模塊：受HuggingGPT的啟發(fā)，在HuggingGPT的基礎(chǔ)上，改造任務(wù)分發(fā)思路。核心控制模塊的主要任務(wù)是對于用戶的請求，進行意圖理解，并從意圖庫選擇適合的agent，再將用戶的請求作為輸入，對選中的agent進行能力問訊“你能在此任務(wù)中，承擔(dān)什么任務(wù)，并需要什么輸入和輸出”，核心控制模塊綜合上述結(jié)果輸出工作流和預(yù)期結(jié)果。工作流中應(yīng)當(dāng)包括選擇的Agent_id,以及依賴的其他Agent的輸入輸出。而預(yù)期結(jié)果應(yīng)當(dāng)是對于用戶請求的一個初步預(yù)期輸入、出，例如用戶請求建立一個創(chuàng)建ppt的多agent架構(gòu)時，生成的該工作流最終應(yīng)當(dāng)返回一個.pptx文件。路由轉(zhuǎn)發(fā)模塊：受LangGraph的啟發(fā)，不同agent之間的信息轉(zhuǎn)發(fā)，應(yīng)當(dāng)由路由控制模塊進行管理，路由控制模塊通過讀取核心控制模塊生成的工作流的關(guān)鍵節(jié)點信息，將信息轉(zhuǎn)發(fā)給不同的其他agent，并進行調(diào)用。信息驗證模塊：信息驗證模塊是要基于核心控制模塊生成的預(yù)期輸出，監(jiān)控每一個處于工作流的agent的輸出和輸出，并記錄到工作流庫中，對于生成結(jié)果沒有達到預(yù)期結(jié)果的輸出，要將記錄結(jié)果再次返回給核心控制模塊，進行ReAct步驟?；谕评砟Ｐ腿蝿?wù)分發(fā)+路由轉(zhuǎn)發(fā)的機制的改進思路用戶請求輸入：“幫我構(gòu)建一個可以根據(jù)當(dāng)前天氣播放適合的音樂的多智能體“響應(yīng)會分為以下四個階段：任務(wù)規(guī)劃階段:query_weather

->

find_music

->

play_musicAgent選擇階段:query_weather

｜

agent_1

｜根據(jù)任務(wù)需求，查詢天氣，agent_1的技能描述為查詢天氣，因此選擇agent_1find_music

｜agent_3

｜根據(jù)任務(wù)需求，查找音樂，agent_3的技能描述為查找音樂，因此選擇agent_3play_music

｜agent_2

｜根據(jù)任務(wù)需求，播放音樂，agent_2的技能描述為播放音樂，因此選擇agent_2任務(wù)執(zhí)行階段:{'id':

'123457',

'object':

'pletion',

'created':

1733999455,

'model':

'Qwen2.5-32B-I