14. 多Agent

整体架构： 一个总的调度的Agent，类似网关，去识别分发到对应的子Agent中。

OpenAIAgents中的挂载方式分两种:

• Agent As Tools(管理员模式)： 把其他Agent作为协调Agent的工具，思想完全同单Agent下的Agent和工具的关系，整个控制权在协调Agent上。
• Handoffs(转接)：将用户的问题直接交给handoffs上的Agent。思想是直接将Agent挂载Agent下，整个控制权在具体干活的Agent上。

二者本质的区别是控制权的问题。

架构设计理念

中心化调度: 所有的用户请求首先由一个“全知全能”的调度器接收，由它决定分发给哪个专家。

专才专用: 每个业务智能体只关注自己领域的 Prompt 和工具，避免 Prompt 污染，提升任务成功率。

流式响应: 全链路支持 Server-Sent Events (SSE)，让用户感知到智能体的思考过程 (Thinking Process)。

调度智能体（Orchestrator）

角色: 门房、总指挥。

核心职责:

意图识别: 分析用户输入是 "电脑坏了" (技术问题) 还是 "哪有维修店" (服务问题)。要做什么

智能路由: 绝不直接回答技术细节（如“蓝屏怎么修”）将会话控制权 transfer 给对应的下游智能体。不做什么

流式响应: 实时将智能体的结果推送给用户。

边界守则：只决策，不执行

多轮对话系统架构

第一种 传统Pipeline

graph LR
    A[用户输入] --> B[NLU<br/>自然语言理解]
    B --> C[DM<br/>对话管理]
    C --> D[NLG<br/>自然语言生成]
    D --> E[系统响应]

    style B fill:#e1f5fe
    style C fill:#fff3e0
    style D fill:#e8f5e9

传统对话系统采用流水线架构，将对话过程拆分为独立的模块:

• NLU(Natural Language Understanding)，理解用户意图，提取实体。
• DM(Dialogue Management)，管理对话状态，决策下一步动作
• NLG(Natural Language Generation)：将动作转换为自然语言

NLU主要模块包含:

• 意图识别(Intent Recognition): 判断用户想做什么
  • 输入: 我想查一下订单
  • 输出: intent=查询订单
• 实体提取(Entity Extraction): 提取关键信息
  • 输入: 订单号是12345
  • 输出: order_id=12345

意图识别（Intent Recognition）指的是让智能体理解用户通过自然语言表达的意图或目的。意图识别是智能助手的典型能力，例如用户在对话中输入“我想查看今天的 AI 新闻”，其中“查看新闻”为用户意图，也就是用户希望智能体执行的操作

DM模块详解:
- 对话状态追踪(DST): 记录当前对话状态 - 对话策略(Policy): 决定下一步动作

传统架构的优缺点：

端到端架构(Seq2Seq)

graph LR
    A[用户输入] --> B[Seq2Seq模型<br/>Encoder-Decoder]
    B --> C[系统响应]

    style B fill:#f3e5f5

技术演进： 1. Seq2Seq + Attention（2014-2017） 2. Transformer（2017-2019） 3. 预训练语言模型（GPT、BERT，2018-2020） 4. 大语言模型（ChatGPT、GPT-4，2022至今）

端到端架构的优缺点：

LLM驱动的对话架构】

graph TB
    subgraph "LLM驱动架构"
        subgraph Context["Context 上下文"]
            C1[对话历史]
            C2[槽位状态]
            C3[当前Flow]
        end

        subgraph Action["Action 动作"]
            A1[内置动作]
            A2[自定义动作]
            A3[LLM生成]
        end

        subgraph Memory["Memory 记忆"]
            M1[Tracker状态]
            M2[对话栈]
            M3[Flow历史]
        end
    end

    Context --> Action
    Action --> Memory
    Memory --> Context

    style Context fill:#e3f2fd
    style Action fill:#fff8e1
    style Memory fill:#f3e5f5

LLM驱动的对话架构结合了传统架构的可控性和大模型的理解能力，

核心三元设计：

核心设计思想：

用LLM理解用户意图，用结构化命令控制对话流程，用可编程动作执行业务逻辑。

架构优势：

让LLM负责理解，让框架负责控制，让开发者负责业务。