你的AI agent 要做的事情是不是太複雜了？ 單agent 系統，處理簡單需求還行，一旦任務複雜起來，限制就暴露了。 複雜挑戰，往往需要： • 多樣化的技能 • 多元角度的視角 • 以及根據任務靈活切換的推理方式 這時候，multi-agent 系統就派上用場了。 它不是靠單一agent 單打獨鬥，而是組建一支專業agent 組成的團隊，每個agent 都有自己的工具、上下文和任務。 透過明確分工，這些agent 可以互相合作、辯論，不斷優化彼此的輸出，從而解決單一agent 無法搞定的難題。 Agent 在你的AI 系統中扮演協調者的角色。 它們不會取代query rewriting 或chunking 等技術，而是聰明地編排這些技術。 比如： • 當初始搜尋失敗時，agent 可能會套用query rewriting • 根據內容類型，選擇不同的chunking 策略 • 決定何時壓縮對話歷史，為新資訊騰出空間 在一個multi-agent RAG 系統中，你可能會看到： 1️⃣ 一個master coordinator agent，負責分析query，並將其路由到特定的檢索agent 2️⃣ 一個Query Agent，可以重寫搜尋字詞、選擇搜尋位置，並建立query 3️⃣ 另一個agent，專門負責決定何時呼叫哪些工具，以及如何建構工具API 呼叫 4️⃣ 還有一個agent，負責整合所有這些訊息，並產生答案 每個agent 都有自己的領域知識、工具和記憶，但在統一協調下協同工作。 當然，並不是所有問題都需要multi-agent 解決方案。 隨著agent 獲得越來越多的決策權，它們的機率性質可能會引入不可預測性。 你需要設定安全護欄、持續監控，並仔細考慮這種複雜性是否合理。 在高風險或敏感領域，更需要謹慎監督，以防止意想不到的後果。 在我看來，當你真正需要多樣化的專業知識和協作推理時，multi-agent 系統才真正強大。 對於更簡單的任務，一個設計良好的單agent 可能效率更高。 我們不再只是設計與LLM 協作的策略，而是在設計圍繞agent 建立整個系統強大架構的策略。 以下是context engineering ebook：
