ByteFisher AI 编程实战（二十一）：多Agent协作与综合实战

这是本系列的最后一篇。经过 20 篇的学习，你已经掌握了从概念到工具、从编程应用到高级 Agent 的全链路 AI 编程技能。本篇将前面所有知识串联起来，构建一个多 Agent 协作系统。

一、为什么需要多 Agent

一个 Agent 的能力再强，也有边界。多 Agent 系统通过专业分工和协作，突破单 Agent 的局限：

场景	单 Agent	多 Agent
代码审查	生成一段代码	一个写代码，一个审查，一个测试
项目开发	逐步生成	架构师规划→工程师实现→QA 测试
Bug 修复	分析并修复	定位→分析根因→修复→验证
知识问答	基于训练数据回答	检索 Agent + 分析 Agent + 验证 Agent

专业分工的核心逻辑：每个 Agent 有自己独立的角色设定和上下文，不会被其他任务的上下文污染。

二、多 Agent 架构模式

2.1 主管-工人模式（Manager-Worker）

        主管 Agent ← 任务分解、进度协调、质量把控
       /    |    \
  工人A  工人B  工人C ← 各自负责专业领域

适用场景：自动化开发流水线、项目管理
优势：分工明确，可横向扩展工人数量

2.2 流水线模式（Pipeline）

需求 → 分析师 → 架构师 → 开发者 → QA → 部署

适用场景：有固定流程的任务
优势：每个阶段产出清晰，便于人工介入审核

2.3 辩论模式（Debate）

Agent A（正方） ↔ Agent B（反方） → 裁判 Agent → 综合结论

适用场景：技术选型、架构评审、方案评估
优势：通过观点碰撞减少偏差

三、LangGraph 实战——有状态工作流

from langgraph.graph import StateGraph, END
from typing import TypedDict

class WorkflowState(TypedDict):
    requirements: str
    architecture: str
    code: str
    tests: str
    iteration: int

# 架构师 Agent
def architect_node(state: WorkflowState):
    response = llm.invoke(
        f"你是一名软件架构师。基于以下需求设计系统架构：\n{state['requirements']}\n"
        f"输出：技术栈、模块划分、数据流"
    )
    return {"architecture": response.content}

# 开发者 Agent
def developer_node(state: WorkflowState):
    response = llm.invoke(
        f"你是一名高级开发者。基于以下架构实现代码：\n{state['architecture']}\n"
        f"需求：{state['requirements']}"
    )
    return {"code": response.content, "iteration": state.get("iteration", 0) + 1}

# QA Agent
def qa_node(state: WorkflowState):
    response = llm.invoke(
        f"你是一名 QA 工程师。审查以下代码：\n{state['code']}\n"
        f"检查是否有 bug、安全漏洞、性能问题。"
        f"如果发现问题，以 'FAIL:' 开头描述。"
    )
    return {"tests": response.content}

# 条件判断：QA 不通过则退回开发者
def should_continue(state: WorkflowState):
    if "FAIL" in state["tests"] and state["iteration"] < 3:
        return "developer"  # 退回修改（最多重试 3 次）
    return END

# 构建工作流图
workflow = StateGraph(WorkflowState)
workflow.add_node("architect", architect_node)
workflow.add_node("developer", developer_node)
workflow.add_node("qa", qa_node)

workflow.set_entry_point("architect")
workflow.add_edge("architect", "developer")
workflow.add_edge("developer", "qa")
workflow.add_conditional_edges("qa", should_continue, {
    "developer": "developer",
    END: END
})

app = workflow.compile()
result = app.invoke({"requirements": "创建用户注册登录 API，使用 Express + TypeScript"})

四、CrewAI 实战——角色化协作

from crewai import Agent, Task, Crew, Process

# 定义角色
architect = Agent(
    role="软件架构师",
    goal="设计最佳系统架构",
    backstory="15 年经验的软件架构师，擅长微服务和 DDD",
    verbose=True
)

developer = Agent(
    role="高级开发者",
    goal="实现高质量、可维护的代码",
    backstory="全栈开发者，精通 C# 和 Python",
    verbose=True
)

qa = Agent(
    role="QA 工程师",
    goal="确保代码质量和测试覆盖",
    backstory="专注于自动化测试和代码审查",
    verbose=True
)

# 定义任务
design_task = Task(
    description="设计博客系统架构，包含用户、文章、评论模块",
    agent=architect,
    expected_output="技术栈和模块划分文档"
)

implement_task = Task(
    description="实现博客系统的核心 CRUD API",
    agent=developer,
    expected_output="完整的 API 代码",
    context=[design_task]  # 依赖架构设计
)

test_task = Task(
    description="为所有 API 端点编写集成测试",
    agent=qa,
    expected_output="测试代码和执行报告",
    context=[implement_task]
)

# 组建团队并执行
crew = Crew(
    agents=[architect, developer, qa],
    tasks=[design_task, implement_task, test_task],
    process=Process.sequential  # 按顺序执行
)

result = crew.kickoff()
print("最终输出:", result)

五、综合实战：自动化开发流水线

5.1 流水线架构

用户输入（自然语言描述）
    ↓
PM Agent（需求分析 → 输出 PRD 文档）
    ↓
架构师 Agent（技术选型 → 输出架构设计文档）
    ↓
前端 Agent（界面实现 → 输出组件代码）
    ↓
后端 Agent（API 实现 → 输出路由/服务/模型代码）
    ↓
QA Agent（测试验证 → 输出测试报告）
    ↓
部署 Agent（CI/CD 配置 → 输出部署脚本）
    ↓
输出：完整可部署项目

5.2 关键设计：Agent 间通信协议

多 Agent 系统中，通信协议比各个 Agent 的能力更重要：

{
  "agent": "architect",
  "output": {
    "tech_stack": {
      "frontend": "React 18 + TypeScript + Tailwind",
      "backend": "Node.js + Express + Prisma",
      "database": "PostgreSQL"
    },
    "modules": [
      {"name": "User", "routes": ["POST /register", "POST /login"]},
      {"name": "Post", "routes": ["GET /posts", "POST /posts"]}
    ],
    "data_flow": "Client → API Gateway → Service → Database"
  }
}

结构化输出确保：

下游 Agent 能可靠解析上游输出
每步可独立验证
支持人类在中间介入修改

六、多 Agent 的成本考量

多 Agent 虽然功能强大，但成本是实际部署时必须考虑的因素：

成本类型	单 Agent	多 Agent（3 个）
每次任务的 Token 消耗	~5K	~15K-30K
响应延迟	~3 秒	~10-30 秒
API 费用（DeepSeek）	~0.005 元	~0.02 元
调试复杂度	低	高
错误率	中	中（但调试困难）

6.1 成本优化策略

先用单 Agent 试：80% 的任务单 Agent 就能完成
按需增加 Agent：只在需要专业分工的场景引入多 Agent
减少不必要的中转：Agent 间通信也消耗 Token，减少非必要的信息传递
设置退出条件：QA 最多重试 3 次，避免死循环
监控 Token 消耗：在关键节点记录累计 Token 用量

七、多 Agent 系统最佳实践

实践	说明
明确职责	每个 Agent 只做一件事，角色边界清晰
结构化通信	Agent 间输出使用 JSON Schema 定义格式
验证环节	每个 Agent 输出都要验证后再传给下一个
日志追踪	完整记录每个 Agent 的输入输出，便于调试
错误恢复	Agent 失败时可回退到上一步，不至于全盘重来
预算控制	多 Agent 调用成本远高于单次调用，设置上限
人类介入	关键决策点留有人工确认环节

回顾本系列

第一阶段（01-04）：概念基础——理解 AI 编程的本质
  → Token、Transformer、Prompt 五要素、开发环境
第二阶段（05-07）：环境工具——掌握三大主流工具
  → Copilot、Cursor、Claude Code
第三阶段（08-13）：编程应用——全场景实战
  → 前端、后端、Unity、代码审查、调试
第四阶段（14-17）：扩展应用——写作、数据、自动化、RAG
  → 技术写作、数据分析、自动化工作流、知识库
第五阶段（18-21）：高级进阶——Agent、MCP、Skill、多Agent
  → 自主 Agent、标准化工具接口、可复用 Skill、团队协作

AI 编程不是让你不再需要编程，而是让你编程的方式彻底改变——从手写每一行代码，到用自然语言调度 AI 完成更复杂的工作。工具在变，但思考能力、架构能力、审美能力始终是开发者的核心竞争力。

感谢你读到这里。现在，打开你的编辑器，开始实践吧。