在多智能体（Multi-Agent）系统中，常见的调度策略有哪些？请说明其实现机制及在任务分配、资源协调方面的考量。

为什么单 Agent 不够用？

问题 1: Context 爆炸
  任务越复杂，上下文越长，LLM 对早期内容的注意力越弱
  -> 出现「忘了最初需求」的情况

问题 2: 注意力分散
  既要扮演产品经理，又要扮演程序员，角色混乱
  -> 代码质量和需求分析质量都打折扣

问题 3: 死循环风险
  代码报错后，单 Agent 可能不断重试相同错误
  -> 缺乏跳出机制

两种经典协作拓扑

顺序流（Sequential Flow）——流水线模式

适用于：流程固定的任务（写研报、处理保险理赔）

用户需求
    -> Agent A（产品经理）：需求分析 -> 需求文档
    -> Agent B（程序员）：代码实现 -> 代码文件
    -> Agent C（测试员）：测试验证 -> 测试报告
    -> 最终输出

Supervisor 模式（层级调度）——项目经理制

class SupervisorAgent:
    def __init__(self):
        self.workers = {
            "researcher": ResearchAgent(),   # 搜索信息
            "analyst": AnalystAgent(),        # 数据分析
            "writer": WriterAgent(),           # 报告撰写
        }

    def orchestrate(self, task: str) -> str:
        plan = self.llm.plan(task)        # 拆分任务
        results = {}
        for step in plan:
            worker = self.workers[step.agent]
            result = worker.execute(step.instruction)
            # 检查质量，必要时触发返工
            if not self.is_satisfactory(result):
                result = worker.retry(step.instruction, result)
            results[step.name] = result
        return self.merge_results(results)

LangGraph 实现 Multi-Agent

from langgraph.graph import StateGraph

graph = StateGraph(AgentState)
graph.add_node("router", RouterNode())
graph.add_node("planner", PlannerNode())
graph.add_node("executor", ExecutorNode())
graph.add_node("reflector", ReflectorNode())
graph.add_node("critic", CriticNode())

# 条件边：根据意图动态路由
def route_by_intent(state):
    if state["intent"] == "general":
        return "critic"   # 普通问答直接回答
    return "planner"      # 复杂任务需要规划

# 反思后决定是否继续
def should_continue(state):
    if state["should_continue"]:
        return "executor"  # 继续执行
    return "critic"        # 生成最终答案

graph.add_conditional_edges("router", route_by_intent)
graph.add_edge("planner", "executor")
graph.add_conditional_edges("reflector", should_continue)
app = graph.compile()

Multi-Agent vs Single-Agent 对比