蔡超-基于Multi-Agent的系统重构与思考.pdf

1、基于基于 Multi-Agent 的的系系统重构与思考蔡超蔡超Mobvista 集集团副总裁兼首席架构师腾讯云TVPFrom Copilot To AutopilottasksGet helpAchievements过程的领导者:人交互模式:快速响应/回复tasksGet confirmation/infoAchievements过程领导者:Agent自治模式:自主长时间运行Env/DataWhy Multi-Agent？超级个体还没有诞生LLM的局限注意力稀释随着任务需要更多的中间步骤，LLM可能会优先处理不相关的细节，或忘记关键的依赖关系，从而削弱逻辑的连贯性。错误累积 一步中的错误会通过

2、后续的推理传播，没有独立的验证或修正机制。短期记忆偏差LLM往往过于依赖最近的Token，忽略了长时间跨度任务中需要的早期上下文。System:You are Superman!User:Please,save the world.Single Agent Based On Perfect LLMDone.Multi-Agent 系统基本构成LLMGPT-4,DeepSeek,Gemini-2.5 MemoryLangMem,Mem0,MaxMem TaskAgentbind toutilizeRoleToolsKnowledgeEnterprise Environmentinteractwo

3、rk onrefer toDescriptionMulti-Agent 协作模式SequentialNetworkSupervisedAgent1Agent2Agent3Agent1Agent2Agent3Agent1Agent2Agent3SupervisorAgentSolo团队协作的优势Divide&Conquer将复杂任务分解为多个简单任务，并分配给适合的Agent。同时，不同Agent可以利用最适合他的任务的大模型交叉验证Agent从不同角度互补求解，验证彼此答案，提升可靠性与准确性。迭代反馈Agent相互审查并改进彼此答案，通过多轮互评不断优化结果。Context Engineer

4、ing Is All You NeedPrompt Engineering v.s.Context Engineering维度Prompt EngineeringContext Engineering目标优化单次指令，引导模型输出动态构建任务环境，注入多源信息关键技术指令设计、示例优化RAG检索、记忆管理、工具调用、结构化输出适用场景简单问答、创意生成长期任务（如客服助手、数据分析流水线）失败归因调整提问方式检查数据新鲜度、工具可用性、记忆覆盖率LLM Context RotContext Length ControlIsolationCompression/ReductionOff-load

5、ingSpecialist Agent+SubtaskMulti-Agent 与 Context Engineering检索用户问题SOP检索相关用户数据回复用户邮件用户邮件邮件回复Vector DBDBMaxAgent For Context Length ControlMulti-Task&Agent CoworkerIsolationReduction/CompressionMulti-Agent 工作流预定义静态工作流检索用户问题SOP检索相关用户数据回复用户邮件用户邮件邮件回复Vector DBDBSelf-planning 动态工作流研究策略师研究问题研究员报告编辑研究报告？协调者

6、问题研究员报告编辑？问题答案问题+答案是否正确循环执行直到一致交叉验证深度研究静态工作流 vs Self-planning 动态工作流静态工作流!=稳定/确定性Self-planning 动态流程同样可以获取的一致及可预测的结果。例如：通过运行结果的验证及迭代动态流程更加适合于启发式流程以解决复杂任务。Agentic AI 系统的独特之处在于：它们能够执行迭代式工作流程，通过持续的改进循环不断优化输出混合工作流分析策略师用户问题分析员报告编辑SOP问题分类Multi-Agent 应用广告素材制作Analyze user products and needs Design based on ex