Multi-Agent 的四种协作模式：Supervisor、Swarm、网状、流水线，怎么选？

你搭了一个 Agent起初跑得挺好。后来需求升级了调研写作事实核查全压在一个 Agent 上。结果上线后发现系统提示词膨胀到 800 字工具列表里有 15 个工具Agent 开始选错工具、忘记自己设定的规则偶尔一步出错后面全错。你在想是不是我的 Prompt 写得不够好不是 Prompt 的问题。是单个 Agent 扛不住「又要调研、又要写作、又要核查」这种多角色任务的根本性矛盾。解法是多个 Agent 协作每个只干一件事。但协作本身是有结构的。乱搭一通不等于 Multi-Agent是 Multi-Chaos。这篇我把 Multi-Agent 的四种主流协作模式逐一拆透Supervisor主管模式、Swarm蜂群模式、网状Mesh、流水线Pipeline。每种模式的原理、代码、优缺点、以及适合什么场景——读完你就知道自己该选哪个。01 为什么单 Agent 会撞墙先说清楚「为什么要多 Agent」不然后面的架构选型没有判断基础。单 Agent 的三个典型死法第一死上下文窗口污染一个 Agent 挂了 12 个工具每个工具的描述就占几百个 token。任务执行到第 7 步第 2 步的关键信息已经被挤出上下文或稀释掉了。Agent 开始「失忆」。第二死角色混乱一个 Agent 被要求「调研 写代码 写总结」。系统提示词里三组指令互相抢占优先级。调研没完整就开始写代码写代码时又用写作语气。结果三件事都干得不够好。第三死故障扩散第 3 步出错第 4 到 10 步全部污染没有隔离层没有独立校验。出了问题只能整条链路重跑。Multi-Agent 的解法很直接每个 Agent 只干一件事用清晰的接口对话出错只影响一个节点。但协作方式不同系统的灵活性、可控性、调试难度差别很大。下面逐一拆解。02 Supervisor 模式一个指挥多个专家核心思想一个中央 Supervisor Agent 接收用户请求决定派给哪个 Worker收到结果后再决定下一步——直到任务完成。数据流User → Supervisor → Researcher/Writer/Fact-Checker → Supervisor → Final Answer。Workers 之间互相不认识所有信息都经过 Supervisor它是路由层也是汇聚层。用 LangGraph TypeScript 实现importChatOpenAIfromlangchain/openaiimportfromlangchain/langgraph/prebuiltimportfromlangchain/langgraph-supervisorimportfromlangchain/core/toolsimportfromzodconstnewChatOpenAImodelgpt-4o-minitemperature0consttoolasyncquerystringSearch results for: ${query}namesearch_webdescriptionSearch the web for informationschemaobjectquerystringconsttoolasynccontentstring# Report\n\n${content}namewrite_reportdescriptionFormat findings into a structured reportschemaobjectcontentstring// 每个 Worker 只有自己需要的工具prompt 精简聚焦constcreateReactAgentllmtoolsnameresearcherpromptYou are a research specialist. Search for information and return factual summaries.constcreateReactAgentllmtoolsnamewriterpromptYou are a writing specialist. Format research findings into clear reports.// Supervisor 绑定所有 Worker统一调度constawaitcreateSupervisorllmagentspromptYou are a team supervisor. Delegate research to researcher first, then writing to writer.compileconstawaitinvokemessagesroleusercontentResearch LangGraph and write a report.consolelogmessagesat1contentSupervisor 的优势在于可控性强路由逻辑集中在一处哪个 Worker 出错一眼就能追到。代价是 Supervisor 本身容易成为瓶颈——如果任务分解出了问题下游每个 Worker 都拿到错误的指令。适合的场景客服工单路由、内容生成流水线、代码审查工作流——子任务边界清晰、需要中央协调的场景。03 Swarm 模式没有指挥Agent 互相传球Swarm 的逻辑完全不同没有中央 SupervisorAgent 之间直接 handoff交接。Agent A 做完自己的部分判断「下一步应该由 B 来做」就把控制权连同上下文一起传给 B。流程从这些 handoff 里「生长」出来不是预先规划好的——User → Triage → Billing账单问题 或 Tech技术问题 → Final Answer。TypeScript 实现importfromlangchain/langgraph-swarmimportfromlangchain/langgraph/prebuiltconstcreateReactAgentllmtoolscreateHandoffToolagentNamebilling_agentdescriptionTransfer to billing for payment issuescreateHandoffToolagentNametech_agentdescriptionTransfer to tech support for technical issuesnametriage_agentpromptYou are a triage agent.- Billing/payment issues → handoff to billing_agent- Technical problems → handoff to tech_agent- General questions → handle directlyconstcreateReactAgentllmtoolscreateHandoffToolagentNametriage_agentdescriptionReturn to triagenamebilling_agentpromptYou are a billing specialist. Return to triage if off-topic.constcreateReactAgentllmtoolscreateHandoffToolagentNametriage_agentdescriptionReturn to triagenametech_agentpromptYou are a technical support specialist. Return to triage if off-topic.// 生产必须设递归上限防 handoff 死循环constcreateSwarmagentsdefaultActiveAgenttriage_agentcompilerecursionLimit25constawaitinvokemessagesroleusercontentMy payment failed but system shows it succeeded.核心是createHandoffTool——Agent 通过调用它来转交控制权上下文一起传递不会断。最大的坑无限循环。Agent A 认为该转给 BB 觉得该回给 A来回互踢。recursionLimit: 25是生产必须加的保险丝。适合的场景对话流向不可预测的客服系统、路由场景——「我不知道用户下一步会问什么」的情况。04 流水线模式线性流水每步只管下一步流水线是四种里最简单也最容易预测的。Agent 串成一条链Raw Data → Extractor → Enricher → Analyzer → Reporter → Output。每个节点只看上游的输出没有反向通信没有跳步。importStateGraphSTARTENDfromlangchain/langgraphinterfacePipelineStaterawTextstringextractedEntitiesstringenrichedDataRecordstringunknownanalysisstringfinalReportstringasyncfunctionextractorNodestate: PipelineStatePromisePartialPipelineStateconstawaitinvokerolesystemcontentExtract key entities. Return as JSON array.roleusercontentrawTextconstJSONparsecontentasstringreturnextractedEntitiesasyncfunctionenricherNodestate: PipelineStatePromisePartialPipelineState// ⚠️ 上游输出完整性校验这是防错误传播的关键ifextractedEntitieslengththrownewErrorExtraction failed: no entities. Pipeline stopped.constextractedEntitiesmap(entity) contextEnriched data for: ${entity}returnenrichedDataasyncfunctionanalyzerNodestate: PipelineStatePromisePartialPipelineStateconstawaitinvokerolesystemcontentAnalyze patterns and identify key insights.roleusercontentJSONstringifyenrichedDatareturnanalysiscontentasstringasyncfunctionreporterNodestate: PipelineStatePromisePartialPipelineStateconstawaitinvokerolesystemcontentGenerate a human-readable report.roleusercontentanalysisreturnfinalReportcontentasstringconstnewStateGraphPipelineStatechannels/* ... */addNodeextractoraddNodeenricheraddNodeanalyzeraddNodereporteraddEdgeSTARTextractoraddEdgeextractorenricheraddEdgeenricheranalyzeraddEdgeanalyzerreporteraddEdgereporterENDcompile流水线的最大问题是错误传播第一步出了错后面步骤全部受污染但 Agent 不知道上游数据有问题。所以每个节点间必须加完整性校验——就像enricherNode开头那段一样上游空了就直接抛错停流水线不要让问题悄悄流过去。适合的场景ETL 数据处理、文档批量加工、「第 N 步输出就是第 N1 步输入」的确定性流程。05 网状模式Mesh任意互联最自由也最难驾驭网状是四种里最灵活也最难控制的。任何 Agent 都能在任何时刻调用任何其他 Agent没有预设的顺序——Research ↔ Writer ↔ Fact-Checker ↔ Summarizer谁在任何时候都可以呼叫谁。LangGraph 里通过Command对象实现动态路由importCommandStateGraphMessagesStateSTARTENDfromlangchain/langgraphasyncfunctionresearchNodestate: MessagesStatePromiseCommandconstawaitinvokerolesystemcontentYou are a research agent.After research, decide who handles next.Reply with: NEXT: writer_agent | NEXT: fact_checker | NEXT: ENDmessagesconstcontentasstringconstmatch/NEXT:\s*(\w)/const1ENDreturnnewCommandupdatemessagesgotoENDENDasyncfunctionwriterNodestate: MessagesStatePromiseCommandconstawaitinvokerolesystemcontentYou are a writer. Write based on research.After writing, route as needed: NEXT: fact_checker | NEXT: summarizer | NEXT: ENDmessagesconstcontentasstringconstmatch/NEXT:\s*(\w)/const1ENDreturnnewCommandupdatemessagesgotoENDEND// Mesh 必须设递归上限动态路由可能形成环constnewStateGraphMessagesStateaddNoderesearch_agentendswriter_agentfact_checkerENDaddNodewriter_agentendsfact_checkersummarizerENDaddEdgeSTARTresearch_agentcompilerecursionLimit50网状的真实优势是处理「任务中途需要动态决策」的场景——写到一半发现需要补充调研调研完发现需要核查核查完再返回写作。没有预设的顺序能适应动态需求。但代价是调试极度痛苦。执行路径不可预测12 次 LLM 调用里找 bug 就像读一本少了好几章的悬疑小说。生产环境必须接好 LangSmith Tracing这是基础设施不是可选项。适合的场景复杂的创意协作、研究任务、「执行过程中才知道下一步要什么」的动态任务。06 四种模式横向对比模式控制方式可预测性调试难度典型适合场景Supervisor中央路由★★★★★★★☆☆☆低任务边界清晰需统一调度Swarm点对点 handoff★★★☆☆★★★☆☆中对话流向不定路由场景Pipeline线性串行★★★★★★☆☆☆☆最低ETL、确定性数据加工Mesh全连接动态★★☆☆☆★★★★★最高复杂创意任务动态协作选型决策思路先看任务是不是线性的——是就用 Pipeline最简单不引入不必要复杂度。任务有分支但分支可预测选 Supervisor好维护好追问题。任务流向由用户驱动、对话走向不可预测选 Swarm。只有在「真的需要任意 Agent 之间动态协作」时才用 Mesh——并且做好完善的 Tracing 基础设施。07 常见坑坑 1Supervisor 成为新的单体 Agent所有任务都经过 SupervisorSupervisor 的 prompt 越写越长最终它本身成了新的单体 Agent。解法Supervisor 只做路由决策不做业务处理。Supervisor prompt 超过 300 字说明业务逻辑放错地方了。坑 2Swarm 的 handoff 死循环Agent A 认为该 B 处理B 觉得该回给 A来回互踢。生产环境必须设recursionLimit: 25另外给每个 Agent 明确的「我不处理什么」指令。坑 3Pipeline 的「部分成功」假象研究 Agent 返回了 5 个字段里的 4 个下游 Agent 基于不完整数据生成了看起来合理的输出校验通过上线然后那个缺失字段引发故障。解法每个 Pipeline 节点校验输出完整性不只是格式还要校验关键字段是否都存在。坑 4成本爆炸没感觉一次 Supervisor 调用 三次 Worker 调用 至少四次 LLM 请求。加上重试可能是十次。解法Supervisor 用强模型Worker 用便宜模型按 Agent 打 tag 追踪 token 消耗月账单超标前就能预警。坑 5Mesh 里没有 Tracing12 次 LLM 调用4 个 Agent没有关联 ID出了问题无从定位。任何 Multi-Agent 系统上生产前先把 LangSmith Tracing 接好——这是基础设施不是可选项。总结Supervisor 是默认起点控制权集中路由逻辑清晰出问题好追大多数场景优先考虑。Swarm 适合对话不可预测的路由场景handoff 是核心机制但必须设递归上限防死循环。Pipeline 是最简单的选择线性任务不要引入多余复杂度每个节点加完整性校验防错误传播。Mesh 最灵活也最危险动态协作强但调试代价高没有完善 Tracing 不建议上生产。成本随模式复杂度倍增Supervisor 用强模型Worker 用弱模型按 Agent 追踪成本上生产前先做压测。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】