🕸️ 多 Agent 协作¶

单 Agent 处理复杂任务会"注意力分散、上下文爆炸"。多 Agent = 把任务分给专精的子 Agent，由调度者编排。本页讲清两种官方模式：Handoff（OpenAI Agents SDK）与 Orchestrator-Worker（Anthropic Workflow），附可运行思路。以官方原语为准。

依据：OpenAI Agents SDK Handoffs · Anthropic Building Effective Agents

📌 适用版本 / 更新日期：OpenAI Agents SDK v0.x（Handoff 原语）+ Anthropic Orchestrator-Worker 范式；最后更新 2026-08。

1. 为什么要多 Agent¶

问题	多 Agent 解法
单 Agent 提示词太长、角色冲突	拆成"分诊 + 专家"各司其职
上下文窗口被杂任务占满	子 Agent 各自维护小上下文
任务类型差异大	不同 Agent 用不同模型/工具

先问要不要多 Agent

按 Workflow vs Agent：路径固定用单 Agent + Workflow 即可；只有"任务需动态分派"才上多 Agent。过早拆分增加通信成本与调试难度。

2. 模式一：Handoff（OpenAI Agents SDK）¶

一个 Agent 把任务转交给另一个专精 Agent。

import { Agent, run } from '@openai/agents'

const weatherExpert = new Agent({
  name: '天气专家', instructions: '只回答天气相关问题', tools: [getWeather],
})
const orderExpert = new Agent({
  name: '订单专家', instructions: '只处理订单查询', tools: [queryOrder],
})
const triage = new Agent({
  name: '分诊', instructions: '根据问题转给对应专家',
  handoffs: [weatherExpert, orderExpert],
})
const r = await run(triage, '北京天气怎样，另外查下订单 A123')
// 模型自己决定先转天气还是订单，可多跳

Handoff 优势

主 Agent 不用懂所有细节，只负责"派活"。子 Agent 上下文干净、工具专一，准确率高。

3. 模式二：Orchestrator-Worker（Anthropic Workflow）¶

调度者动态拆解任务，派给 worker，汇总结果。

flowchart TD O[Orchestrator] --> W1[Worker A] O --> W2[Worker B] W1 --> O W2 --> O O --> SUM[汇总]

Worker 隔离

每个 Worker 独立状态、独立工具权限。别共享可变状态，否则竞态 + 难调试。

4. 多 Agent 踩坑¶

多 Agent 高频坑

死循环交接：A 转 B、B 转 A。必须设最大跳数 / 终止条件。
上下文丢失：交接时不传必要背景 → 子 Agent 缺信息。显式传 summary。
权限扩散：子 Agent 拿了父 Agent 的全部工具 → 越权风险。按需最小授权。
无 Tracing：多跳链路不记录 → 出问题无法还原（见可观测）。
过度拆分：2 个简单任务拆 5 个 Agent，通信开销 > 收益。

5. 何时用哪种¶

场景	选
按类型分流（客服/专家）	Handoff
一个大任务动态拆子任务	Orchestrator-Worker
路径固定可预知	单 Agent + Workflow（不上多 Agent）

衔接：AI Agent 与编排 · 状态管理与可视化