最近做 Multi-Agent 架构对比研究，主流 7 种模式——没有银弹，每种都解决不同问题。本篇（上）讲 7 种模式详解；下篇讲主流框架对比与选型决策。

一、7 种模式速览

模式 核心思想 代表
Leader-Worker-Verifier 领导派工 + 工人执行 + 验证者审查 MiniMax Mavis Code
P2P Mesh 节点对节点 mailbox 通信 Anthropic Claude Code Agent Teams
Supervisor 中心监督者调度 Anthropic Subagents / LangGraph
Handoffs 显式控制权移交 OpenAI Agents SDK
Role-Based 角色 / 目标 / 背景人物设定 CrewAI
Conversation 多 Agent 对话轮次 Microsoft AutoGen
SOP-Driven 标准作业流程编码 DeepWisdom MetaGPT

二、7 种模式详解

2.1 Leader-Worker-Verifier（LWV）

1
2
3
4
5
6
7
    Leader（派工）
       ↓
   Worker（执行）
       ↓
  Verifier（审查）
       ↓
通过 / 返工（重做）

代表：MiniMax Mavis Code
思想：三权分立——领导决定做什么，工人执行，验证者审查。
优点：

  • 状态清晰（每步交接明确）
  • 抗错误（双重检查）
  • 适合复杂任务（多步验证）

缺点：

  • 延迟高（3 步串行）
  • 通信开销大
  • 简单任务过度设计

适用：代码生成、文档撰写、复杂分析

2.2 P2P Mesh（点对点网络）

1
2
3
4
5
    Agent A
     ↕ mailbox
Agent B  ↔  Agent C
     ↕ mailbox
    Agent D

代表：Anthropic Claude Code Agent Teams
思想：每个 Agent 是独立节点，消息通过 mailbox 通信。

优点：

  • 高度自治（无中心故障）
  • 灵活拓扑（任意连接）
  • 易扩展（加新 Agent 不影响老 Agent）

缺点：

  • 调试难（消息流分散）
  • 协调难（无中心调度）
  • 死锁风险（循环等待）

适用：研究、探索、多角度分析

2.3 Supervisor（中心监督式）

1
2
3
4
    Supervisor（中心）
     ↙  ↓  ↘
Worker1  Worker2  Worker3
（各执行子任务）

代表：Anthropic Subagents / LangGraph Supervisor
思想：Supervisor 接收任务 → 拆解 → 分派 → Workers 执行 → 汇总。

优点：

  • 中心化调度（清晰）
  • 容易监控（看 Supervisor 日志）
  • 错误处理（Supervisor 决定重试）

缺点：

  • Supervisor 是瓶颈
  • 单点故障
  • 不适合纯分布式场景

适用：项目编排、长任务分解、复杂 workflow

2.4 Handoffs（控制权移交）

1
2
3
4
5
Agent A（负责 X）
   ↓ 移交
Agent B（负责 Y，X 的下游）
   ↓ 移交
Agent C（负责 Z）

代表：OpenAI Agents SDK
思想：每个 Agent 显式把控制权”交”给下一个 Agent。

优点：

  • 流程清晰（明确交接点）
  • 易于追踪（每步签名）
  • 适合流水线任务

缺点：

  • 上下文丢失（每次重置）
  • 灵活性差（必须按预设流程）
  • 错误恢复弱

适用：客服流程、订单处理、固定 pipeline

2.5 Role-Based（角色扮演）

1
2
3
4
5
6
7
"你是资深财务分析师"
"你的目标是分析这份财报"
"你的背景是 10 年四大经验"

   ↓ LLM 按 role 生成

财务报告 + 风险评估

代表：CrewAI
思想：用自然语言定义角色，LLM 自动扮演。

优点：

  • 简单直观（人话描述）
  • 灵活（任意角色组合）
  • 易调试（看 prompt 就懂）

缺点：

  • 角色边界模糊（LLM 可能”越界”）
  • 协同性弱（各演各的）
  • 输出风格难统一

适用：内容创作、研究分析、咨询场景

2.6 Conversation（对话驱动）

1
2
3
4
5
6
Agent A
   ↓ 发言
Agent B
   ↓ 反驳 / 补充
Agent C
   ↓ 总结

代表：Microsoft AutoGen
思想：多 Agent 通过”对话”协同，每个 Agent 是发言者。

优点：

  • 思想碰撞（多角度）
  • 自然涌现（不必预设流程）
  • 适合复杂讨论

缺点：

  • 不可预测（每次结果可能不同）
  • 难以控制（对话可能跑偏）
  • 成本高（多轮对话 token 多）

适用：辩论、调研、头脑风暴

2.7 SOP-Driven（流程编码）

1
2
3
4
5
写 spec → 拆任务 → 派 worker → 验收 → 输出
   ↓
全部写死成代码（"标准作业流程"）
   ↓
LLM 按 SOP 一步步执行

代表：DeepWisdom MetaGPT
思想：把人类团队的”标准作业流程”编码成 Agent 行为。

优点：

  • 流程标准化（可复现）
  • 易于审计（每步有定义）
  • 适合复杂工程

缺点：

  • 前期投入大（要写 SOP）
  • 灵活性差（流程改 = 改代码）
  • 创新性弱

适用：软件工程、文档生成、规范化任务

三、7 模式对比

模式 协调方式 中心化 灵活性 复杂度 适合
LWV 三权分立 中 中 高 复杂任务
P2P Mesh 消息 mailbox 无 高 中 探索 / 研究
Supervisor 中心调度 高 中 中 项目编排
Handoffs 显式移交 中 低 低 流水线
Role-Based 角色 prompt 低 高 低 内容 / 创作
Conversation 对话 低 高 中 讨论 / 调研
SOP-Driven 流程编码 高 低 高 工程化

四、5 个选型问题

选哪种模式前问自己 5 个问题：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1. 任务是固定流程还是探索性？
   固定 → Handoffs / SOP
   探索 → P2P / Conversation

2. 角色分工明确吗？
   明确 → LWV / Role-Based
   模糊 → P2P / Conversation

3. 需要强一致性吗？
   强 → LWV / SOP
   弱 → P2P / Role

4. Agent 数量是？
   2-3 个 → Supervisor / LWV
   5+ 个 → P2P / SOP
   10+ 个 → Handoffs（流水线分工）

5. 失败可恢复吗？
   不可 → Handoffs / SOP（每步可重启）
   可 → P2P / Role

五、3 个常见组合

实际项目很少用单一模式，多组合：

1
2
3
4
5
6
7
8
Supervisor（项目级） + LWV（任务级） + Role-Based（专家级）
  → 80% 项目的标准组合

SOP（流程级） + Role-Based（执行级） + Conversation（评审级）
  → 复杂项目的标准组合

Handoffs（顶层流程） + Role-Based（每步执行）
  → 流水线项目的标准组合

六、本文 + 下篇

  • （上）7 种模式详解（本文）
  • （下）主流框架对比（LangGraph / CrewAI / AutoGen / MetaGPT / OpenAI Agents SDK）+ 选型决策

7 种模式不是”哪个最好”，是”哪个最适合你的场景”。LWV 适合复杂任务、P2P 适合探索、Supervisor 适合项目、Handoffs 适合流水线、Role 适合内容、Conversation 适合讨论、SOP 适合工程化。没有银弹，组合拳才是常态。