谷歌發布適用于多智能體的八種設計模式

作者 | Sergio De Simone

譯者 | 張衛濱

谷歌近期發布了一份指南，詳細介紹了多智能體系統（Multi-Agent Systems, MAS）的八種核心設計模式，涵蓋從順序流水線到人工介入（human-in-the-loop）架構等多種范式。該指南不僅對每種模式都提供了清晰的解釋，還附帶了使用谷歌 Agent Development Kit（ADK）實現的示例代碼。

谷歌指出，構建復雜且可擴展的智能體應用需要采用與其他軟件系統相同的工程化方法，因為依賴單一實體會形成性能瓶頸，并使調試變得非常困難。

可靠性來源于去中心化與專業化。多智能體系統（Multi-Agent Systems,MAS）相當于 AI 領域的微服務架構。通過為各個智能體分配特定角色（比如，解析器、評判器、調度器），開發者可以構建出天然更具模塊化、可測試性和可靠性的系統。

基于 ADK 提供的三種基礎執行模式, 即順序（sequential）、循環（loop）和并行（parallel），谷歌歸納出八種基本架構（或稱為“模式”），幫助開發者以結構化方式設計多智能體系統。

• 順序流水線（Sequential Pipeline）是最簡單的模式，智能體像裝配線一樣依次處理任務，每個智能體將其輸出傳遞給下一個智能體。谷歌表示，這種模式“線性、確定性強，并且調試起來非常直觀，因為你能夠始終清楚數據來自何處”。

• 協調器 / 分發器（Coordinator/Dispatcher）模式是順序流水線的一種變體，其中一個智能體作為決策者，接收請求并將其分派給下游的專用智能體。

• 并行扇出 / 聚合（Parallel Fan-out/Gather）模式在多個智能體同時執行各自職責時非常有用。例如，在審查 PR 代碼的場景中，主智能體可并行啟動多個子智能體分別處理代碼風格檢查、安全審計和性能分析。隨后，一個合成器（synthesizer）智能體匯總所有輸出，決定批準或拒絕該 PR。

• 層次分解（Hierarchical Decomposition）模式適用于更復雜的場景，高層智能體將復雜的目標拆解為子任務，并委派給其他智能體執行。

• 生成器與評判器（Generator and Critic）模式 * 在輸出可靠性至關重要的情況下使用，其中一個智能體負責生成內容，另一個智能體負責驗證，并且可選擇性地提供反饋，促使生成器迭代優化其輸出。

• 迭代精進（Iterative Refinement）模式是“生成器與評判器”模式的泛化形式，生成器的輸出被送入評判器（critique）和精進器（refiner）智能體，二者協同工作，多次迭代以持續改進原始輸出。

• 人工介入（Human-in-the-Loop）適用于具有不可逆后果或高風險的決策場景（比如，金融交易、生產環境部署、敏感數據操作）。此時，一個審批工具（approval tool）* 智能體會在必要時暫停執行，等待人工審核者批準或否決建議的操作。

• 復合模式（Composite Pattern）允許組合上述任意多種模式。例如，使用協調器 * 路由請求、并行智能體加速處理，再結合生成器 / 評判器循環確保輸出的質量。

正如指南所述，谷歌為每種模式都提供了詳細的架構圖和 ADK 代碼片段，請參閱該文檔以獲取更多細節。

此外，如果想要了解其他使用 ADK 構建多智能體系統的思路，請參考 Hangsik Shin 撰寫的指南。

Google’s Eight Essential Multi-Agent Design Patterns (https://www.infoq.com/news/2026/01/multi-agent-design-patterns/)

聲明：本文為 InfoQ 翻譯，未經許可禁止轉載。