多智能体协作：什么时候值得，风险怎么收

多智能体协作，指的是把一项任务拆给多个各擅长不同环节的智能体，通过交接与汇总完成整体目标。它在演示里总是更好看，在实际企业场景里却常常不如一个流程清晰的单智能体 —— 因为拆分本身会带来通信成本与状态不一致，这两项代价不会因为智能体更强而消失

值不值得拆

判断依据不是任务听起来有多复杂，而是它是否满足下面几条：

• 环节之间界限清楚：每一步的输入输出可以明确定义，不依赖实时来回商量。
• 所需能力确实不同：例如一个环节以检索为主，另一个以生成或校验为主。
• 可以并行：多个子任务之间没有强依赖，并行才有意义。
• 失败可以局部隔离：一个环节出错不会污染其他环节的产出。

如果这几条只满足一两条，用单个智能体加一段固定流程往往更划算 —— 步骤可见、便于排查，成本也低得多。

单智能体加固定流程有三个好处：步骤是写死的，出问题能一眼看到卡在哪；调用次数少，成本和延迟都可控；交接只在人与系统之间发生，不需要额外设计格式。只有当单体的规划长度明显超出可控范围、或者环节之间确实需要不同能力时，拆分才值得考虑。

拆分的收益通常体现在并行与隔离上，而不是体现在单步质量上。如果拆分之后每一步的质量并没有提升，只是把同一件事分成几次做，那多半是白付了通信成本。

通信与分工

• 交接要有格式：每个环节的产出用固定结构描述，避免下游靠猜。
• 职责不重叠：两个智能体负责同一件事，最后一定出现互相等待或重复动作。
• 状态集中存放：进度与中间结果放在统一位置，而不是各自记在对话里。
• 轮次设上限：来回确认的次数要有上限，否则会在两个环节之间反复推敲。

状态与一致性

多智能体最隐蔽的问题不是答错，而是各自基于不同版本的信息工作。一个环节读到的是旧数据，另一个读到的是新数据，各自都正确，合起来却前后矛盾。

• 统一时间点：同一批任务尽量基于同一份数据快照处理。
• 变更需可见：数据在流程中途发生变化时，应通知后续环节重新读取。
• 结果要能溯源：最终产出的每一部分都能指出是哪一步、基于什么得到的。

失控风险怎么收

• 动作分级：只读动作可以自动执行，写操作与对外发送必须保留审批。
• 总额与频次上限：涉及金额或对外触达的任务，设定单次与累计上限。
• 可随时中止：流程要有一处能被人叫停，而不是只能等它跑完。
• 运行可观察：能看到每个环节当前在做什么，而不是只等最终结果。
• 事后可复盘：保留完整执行记录，出问题能定位到具体环节。

验收口径

• 每个环节的输入输出结构固定，交接不依赖自然语言猜测。
• 同一批任务的处理基于一致的数据版本。
• 对外发送与写入类动作都经过审批，且有记录。
• 流程可以被人工中止，中止后有明确的状态与后续处理。