以下评分权重均为教学假设,不构成对任何真实系统、供应商或生产环境的承诺。0.6 的分界阈值是演示用的模型,真实系统按任务线实测,但"这个决定要量化而不是凭感觉"这一条不变。
9.2 讲了通信成本,这一节回答最常被问的问题:到底用单智能体还是多智能体?这不是风格之争——知识问答用多智能体是浪费,跨系统的复杂调研用单智能体是硬扛。这个决定要算出来,不能感觉出来。
四个特征决定倾向
多智能体不是越多越好,是有条件的。四个特征决定任务的"多智能体倾向":
| 特征 | 单智能体能扛吗 | 多智能体的优势 |
|---|---|---|
| 需要上下文拼接 | 单 agent 硬拼,易漏 | 各管一段再汇合 |
| 需要调用多类工具 | 单 agent 工具链长 | 分工各自调工具 |
| 允许并行 | 串行,慢 | 并行,快 |
| 要求故障隔离 | 一处崩全崩 | 隔离在子 agent |
每个特征都是"加分项"而不是"必选项"。 一个任务四个特征全无,用多智能体只会引入 9.1 的通信开销和 9.2 的成本——这是过度设计;四个特征全中,单智能体是在用串行、脆弱、上下文爆炸硬扛——这是欠设计。
评分函数:把倾向变成数字
倾向可以量化。每个特征按任务表现打分(0 或 1),乘以权重相加:
| 特征 | 权重 | 理由 |
|---|---|---|
| 需要上下文拼接 | 0.3 | 多 agent 各管一段再汇合 |
| 需要调用多类工具 | 0.3 | 分工各自调工具 |
| 允许并行 | 0.2 | 并行节省时间 |
| 要求故障隔离 | 0.2 | 隔离在子 agent |
分数 ≥ 0.6 才值得多智能体。 分界阈值把"够不够格"变成一个明确的数——低于它就回到单智能体,高于它才引入多智能体。这个阈值可以按任务线调整,但"有阈值"比"凭感觉"重要得多。
最小实验:任务画像与推荐
实验提供 TaskProfile 评分函数与 recommend:计算四个特征加权分,分数 ≥ 0.6 推荐多智能体。
# file: agp_lab/single_vs_multi.py | write
# tier: 3
# verify: python3 -m unittest tests.test_single_vs_multi
"""何时不该用多 Agent:单体 vs 拆分的判定。
多 Agent 引入通信与协调成本。本模块用一个判定函数量化
"单体够不够":任务是否可被单一 Agent 的上下文与工具集覆盖、
是否有硬性并发需求、失败影响是否可隔离。全不满足时建议单体。
"""
from __future__ import annotations
from dataclasses import dataclass
from typing import Any
@dataclass(frozen=True)
class TaskProfile:
needs_context: int # 需要的上下文 token(教学假设)
needs_tools: int # 需要的工具数
concurrent: bool # 是否必须并行
failure_isolated: bool # 失败能否隔离到子任务
def score(self) -> float:
"""0-1,越大越倾向多 Agent。"""
tool_factor = min(self.needs_tools / 8.0, 1.0)
ctx_factor = min(self.needs_context / 64_000.0, 1.0)
return (
0.3 * ctx_factor
+ 0.3 * tool_factor
+ 0.2 * (1 if self.concurrent else 0)
+ 0.2 * (1 if self.failure_isolated else 0)
)
def recommend(self, threshold: float = 0.6) -> str:
return "multi_agent" if self.score() >= threshold else "single_agent"
def recommend_many(profiles: list[TaskProfile]) -> list[tuple[str, float]]:
return [(p.recommend(), round(p.score(), 3)) for p in profiles]
def demo() -> dict[str, Any]:
trivia = TaskProfile(needs_context=8_000, needs_tools=3,
concurrent=False, failure_isolated=False)
research = TaskProfile(needs_context=80_000, needs_tools=9,
concurrent=True, failure_isolated=True)
coding = TaskProfile(needs_context=48_000, needs_tools=6,
concurrent=False, failure_isolated=True)
return {
"trivia": (trivia.recommend(), round(trivia.score(), 3)),
"research": (research.recommend(), round(research.score(), 3)),
"coding": (coding.recommend(), round(coding.score(), 3)),
"ranked": recommend_many([coding, research, trivia]),
}
if __name__ == "__main__":
for key, value in demo().items():
print(f"{key}: {value}")
运行:
cd private/labs/agp-lab
python3 -m agp_lab.single_vs_multi
输出:
trivia: ('single_agent', 0.15)
research: ('multi_agent', 1.0)
coding: ('multi_agent', 0.65)
ranked: [('multi_agent', 0.65), ('multi_agent', 1.0), ('single_agent', 0.15)]
四条输出对应四件事:
- trivia:知识问答得 0.15,推荐单智能体。四个特征几乎全无——不需要拼接、不需要多工具、不需要并行、不需要隔离,多智能体只会徒增成本。
- research:跨源调研得 1.0,推荐多智能体。特征全中——要拼接多源、要多工具、可并行、要隔离失败源。
- coding:编码任务得 0.65,跨过 0.6 门槛,推荐多智能体。编码正好在分界线之上——需要上下文拼接与工具调用,但并行和隔离需求中等。
- ranked:按分数排序。排序把"要不要多智能体"变成一目了然的比较——不是单个任务拍脑袋,而是把任务摆在一起看谁更该多。
一个值得点破的细节:coding 得 0.65,只比 0.6 门槛高 0.05——这正是最需要谨慎的区间。0.65 意味着多智能体的收益刚刚盖过成本,这样的任务要在 10 章的委托仲裁、11 章的容错上都下足功夫,才能把多智能体的分拿回来;而 research 的 1.0 是明显的多智能体任务,少任何一个特征都还是多。
成本对称性
单智能体有成本,多智能体也有成本,而且多智能体的成本更复杂。单智能体的成本是上下文与串行时间——上下文越长越贵(7 章),串行越久越慢。多智能体的成本是 9.2 的通信 + 10 章的协调 + 11 章的容错。评分函数只算了收益侧,成本侧要用 9.2 的公式补上:多智能体的分数再高,如果通信成本爆炸,结论也要回退。
| 方案 | 成本 | 收益 |
|---|---|---|
| 单智能体 | 上下文、串行 | 简单、无协调 |
| 多智能体 | 通信、协调、容错 | 并行、隔离、分工 |
混合方案
单 vs 多不是二选一,可以混合。一个任务的顶层用单智能体编排,热点子任务拆给多智能体——这是最常见的混合形态。主 agent 判断子任务是否需要多(用同一个评分函数),需要就委派(10.1),不需要就自己做。混合方案让"多"只出现在值得多的地方。
| 层 | 形态 | 理由 |
|---|---|---|
| 顶层编排 | 单智能体 | 保持决策一致 |
| 热点子任务 | 多智能体 | 该并行就并行 |
| 简单子任务 | 单智能体 | 不值得拆 |
与前后章的接口
这个决定不是孤立的。评分函数给出"该不该多",10 章给出"多了怎么协调"——委托(10.1)转移责任、仲裁(10.2)裁决冲突、死锁检测(10.3)防环。9.3 是入口,10 章是落地:先说好"哪些任务值得多智能体",再谈"这些任务里的智能体怎么相处"。而 9.1 的拓扑、9.2 的成本,是同一个决策的约束面——分高但拓扑难选、成本爆炸的任务,照样该回退。
成本对照表
9.3 的评分函数算收益侧,成本侧用 9.2 的公式对照。同一个任务,单智能体的成本是上下文与串行时间,多智能体是通信加协调。要把两边的成本都列出来才能比——不是"多智能体更先进",而是"多智能体花的钱买到了什么"。
| 成本项 | 单智能体 | 多智能体 |
|---|---|---|
| 上下文 | 全长集中 | 分片在各 agent |
| 时间 | 串行累加 | 并行但协调 |
| 通信 | 无 | 消息数公式 |
| 协调 | 无 | 委托/仲裁/死锁 |
成本对照要落实到数字。 一个任务多智能体并行省了 40% 的时间,但通信加协调花掉的 token 可能超过省的——评分 0.65 的任务尤其要算这笔账。分数只回答"该不该考虑多",成本对照回答"值不值得真的多"。
从单到多的灰度
结论是"该多",不要一步全多。灰度路径:先单后多,热点子任务先拆。第一阶段保持单智能体主流程,把最高分的子任务委派给多智能体;验证效果后再扩大。灰度让多智能体的收益在可控范围内验证。
| 阶段 | 形态 | 验证点 |
|---|---|---|
| 1 | 单智能体基线 | 记录指标 |
| 2 | 热点子任务多 | 对比收益与成本 |
| 3 | 全量多智能体 | 确认整体增益 |
灰度要有明确的退出标准。 阶段 2 验证发现收益不抵成本,就停在该阶段,不硬推到阶段 3。多智能体不是"上就完了",是"验证了才继续"。
任务变化的再评估
任务会变,评分要重算。一个新工具加入,工具调用特征变化;一个新数据源加入,上下文拼接特征变化——评分从 0.5 升到 0.7,任务就从单变多。评分不是一次算完的静态值,是随任务演进的动态信号。
| 变化 | 评分影响 |
|---|---|
| 新增工具 | 工具特征升 |
| 新增数据源 | 拼接特征升 |
| 需求收敛 | 并行特征降 |
再评估的触发点要显式。 任务规格变化、工具集变化、性能不达标,都触发重算。评分函数放进 12.1 的追踪——每次任务运行记下评分与推荐,趋势变化有据可查。这与 12 章的评估接口一致:变化不是感觉出来的,是数据说话。
相似任务的复用
评分函数算的是"要不要多",复用问"能抄多少"。一个已用多智能体跑过的任务,相似任务直接复用编排模板——拓扑(9.1)、委托链(10.1)、仲裁策略(10.2)都是可复用的资产。复用省掉的是设计成本,不是运行成本——通信成本(9.2)照付。
| 复用 | 省 | 不省 |
|---|---|---|
| 编排模板 | 设计 | 运行成本 |
| 仲裁配置 | 调参 | 冲突处理 |
| 评估基线 | 重测 | 数据收集 |
复用要有相似度判据。 任务评分相近、结构相近,才谈得上复用;评分差很多的硬套模板,等于把不匹配的拓扑安在不匹配的任务上。
多智能体的上线条件
从"评分高"到"上线多智能体",中间有门槛。上线条件:评分过阈值 + 成本对照可接受 + 协调机制齐备 + 容错有兜底。四项缺一不可——评分高但协调没设计(10 章),上线就是混乱;成本对照超预算(9.2),上线就是亏本。
| 条件 | 验证 |
|---|---|
| 评分过阈值 | 9.3 评分函数 |
| 成本可接受 | 9.2 成本对照 |
| 协调齐备 | 委托/仲裁/死锁 |
| 容错兜底 | 失败/熔断/补偿 |
上线条件是"多智能体"从设计到投产的检查清单。 每一项都有验证工具,不是一句"可以上"就完事。四项不过,回到单智能体或灰度。
架构判据
单 vs 多是否合格,用五条判据检查:
| 判据 | 合格的样子 | 不合格的样子 |
|---|---|---|
| 倾向可量化 | 特征加权有分数 | 凭感觉定方案 |
| 阈值明确 | 有分界标准 | 模糊地带没人管 |
| 收益成本对称 | 成本侧也算账 | 只看多智能体好处 |
| 混合可用 | 能单能多、热点才多 | 全盘一刀切 |
| 与协调配套 | 决策引到委托仲裁 | 定了多却不谈协调 |
判据第一条是"决定要算出来",判据第三条才是关键:评分函数算的是收益侧,成本侧要用 9.2 的公式补上——分高但成本爆炸照样回退。判据第五条是 9.3 与 10 章的接缝:多智能体不是终点,协调设计才是。
小结
- 单 vs 多由任务特征决定:上下文拼接、多工具、并行、故障隔离。
- 倾向可量化:四个特征加权评分,阈值以上才值得多。
- 成本对称:多智能体的通信与协调成本要并进来算。
- 混合方案最常用:顶层单、热点多、简单单。
- 多智能体不是终点,委托与仲裁才是落地。
阅读导航:上一节:9.2 通信成本与扇出 · 下一节:10.1 委托与交接:责任如何转移 。
常见错误与边界
- 凭感觉决定单还是多。 特征加权分数比感觉可靠,0.6 门槛要算出来。
- 只算收益不算成本。 多智能体的通信协调成本要并进来,分高也可能回退。
- 全盘一刀切。 全部多或全部单都错;顶层单、热点多才是常态。
- 模糊地带没人管。 0.65 这种贴线任务最需要谨慎,不能随手拍。
- 定了多不谈协调。 多智能体之后委托、仲裁、容错缺一不可,别只停在"用了多"。
继续阅读
探索更多技术文章
浏览归档,发现更多关于系统设计、工具链和工程实践的内容。