一件事要跨角色
同一件事既要查资料、又要比对、又要写材料，角色要求互相冲突，塞进一个提示词会互相干扰。
WHEN TO USE
什么时候必须上多智能体
出现下面任意一条，单智能体就会撑不住——不是效果差一点，而是结构性做不到。
要跨多个系统
数据分散在多个系统与数据库里，取数本身就是若干条并行的子任务。
步骤多且需中途判断
下一步做什么取决于上一步的结果，无法预先写死流程。
ARCHITECTURE
多智能体协同架构
这是我们实际交付时用的六层结构。重点不是“用了大模型”，而是每一层都有明确的工程机制， 并且每一层都可以被审计。
交互层INPUT
语音文本图片
视频表格
多模态统一入口
规划层PLANNING
任务拆解→
角色分配→
步骤编排→
失败重试→
结果仲裁
智能体层AGENTS
主控 Agent检索 Agent
分析 Agent写作 Agent执行 Agent
能力层TOOLS
工具调用 (Function Calling)知识库检索 (RAG)
代码执行报表生成
记忆层MEMORY
会话记忆长期记忆
业务实体记忆上下文压缩
治理层GOVERNANCE
权限审计留痕脱敏
沙箱效果评测运行可观测
底座FOUNDATION
问天大模型信创软硬件
私有化容器化云
MECHANISMS
四个关键机制
“多智能体”最容易讲成概念，也最容易做砸。真正的差别在这四件事上。
编排：怎么拆、怎么分、怎么兜底
- 任务拆解
- 主控 Agent 把一句话目标拆成有先后依赖的子任务
- 角色分配
- 按子任务性质分给最合适的角色 Agent，而不是让所有 Agent 都看全部上下文
- 失败兜底
- 子任务失败按策略重试；重试仍失败则降级或转人工，不让流程静默中断
- 结果仲裁
- 多个 Agent 结论冲突时，由复核 Agent 依据规则裁决，而不是取最后一个
工具：能调什么、怎么调才不出事
- 调用范围
- 单位内部系统、业务数据库、检索引擎、文档生成与报表工具
- 鉴权
- 工具按调用方身份授权，智能体只能做当前用户有权做的事
- 幂等
- 写操作带幂等键，重试不会造成重复提交
- 防误操作
- 高危动作默认需要人工确认后才执行，并全程留痕
记忆：跨会话记什么、记多久
- 会话记忆
- 当前这轮任务内的对话与中间结果
- 长期记忆
- 跨会话保留的偏好、结论与已核事实
- 实体记忆
- 业务对象（案、人、物、单位）的稳定标识与属性
- 上下文压缩
- 超长任务对历史做摘要与截断，控制上下文成本与响应时延
治理：谁能用、做了什么、出错怎么办
- 权限
- 按角色与数据范围授权，与客户既有权限体系对齐
- 审计
- 每一次工具调用、每一步推理与结论都可回放
- 脱敏
- 敏感字段按规则脱敏后才进入模型上下文
- 沙箱
- 代码执行与外部调用在隔离环境内进行
- 评测
- 上线前用真实问题构建评测集，量化后才交付
- 可观测
- 运行时的成功率、耗时、token 消耗与异常可监控
EXAMPLE
一个完整的例子：线索研判
用户只说了一句话，背后是五个 Agent、若干次工具调用和一次人工复核。
第 1 步USER
用户输入：“查一下这条线索能不能立案，出一份研判材料”
第 2 步PLAN
主控 Agent 拆解→
拉取关联数据→
比对已有线索→
评估立案要素→
生成研判材料
第 3 步FETCH
检索 Agent 并行调用多个内部系统接口
结果按实体归一
写入工作记忆
第 4 步ANALYZE
分析 Agent 按立案要素逐项比对
→
标注证据与缺口
第 5 步REVIEW
复核 Agent 校验结论是否有据
→
存疑项标记为待人工确认
第 6 步WRITE
写作 Agent 生成研判材料
关键结论附引用出处
导出为规范文档
全程AUDIT
每一步的工具调用、参数与结论全部留痕
可回放、可追溯、可复核
上面是能力示意，不是某个具体项目的交付记录。真实案例在取得客户许可并完成脱敏后再对外发布。
ENGINEERING
上生产必须解决的工程问题
这些问题不解决，智能体在演示环境好用，进了生产就会出事。
失败重试与降级
某一步失败时按策略重试，仍失败则降级到规则路径或转人工，流程不静默中断。
结论仲裁
多个 Agent 给出冲突结论时按规则裁决，并保留分歧记录，不做简单“取最后一个”。
上下文成本控制
长任务做历史摘要与截断，避免成本与时延随任务长度线性膨胀。
限流与降级
模型与工具调用设置并发上限与超时，高峰期保证核心流程可用。
幂等与副作用隔离
写操作带幂等键，重试不重复提交；高危动作默认人工确认。
可观测
成功率、耗时、token 消耗、失败环节可监控，问题能定位到具体某一步。
COMPARISON
和单智能体是什么关系
对比项ITEM
单智能体／多智能体协同
适用SCOPE
边界清晰、单角色、步骤固定／跨角色、跨系统、需中途判断
成本COST
较低，一次推理链／较高，含编排与多次调用
维护OPS
单个提示词与配置／按角色与编排分层维护
建议ADVICE
能用单智能体解决就别上多智能体→只有当单智能体结构性做不到时才升级
我们不会为了抬高项目金额去推多智能体。需求梳理阶段的第一件事，就是判断这件事该用哪一种。
FAQ
常见问题
多智能体会不会比单智能体贵很多？
调用次数更多，成本确实更高。所以我们只在单智能体结构性做不到时才建议升级，并在方案阶段给出成本估算与优化手段（上下文压缩、结果缓存、小模型分流）。
多个智能体互相“打架”怎么办？
结论冲突由复核 Agent 按预置规则仲裁，并保留分歧记录。仲裁规则在方案阶段与客户共同确定，不做黑箱处理。
能控制某个 Agent 只能看部分数据吗？
可以。每个角色的 Agent 有独立的数据与工具权限范围，与客户既有权限体系对齐，敏感字段按规则脱敏后才进入模型上下文。
出现错误能不能查到是哪一步出的？
能。每一次工具调用、每一步推理与结论都有留痕，可以按任务回放到具体环节。
能不能先上一两个 Agent，之后再扩？
可以，而且我们通常建议这么做。先跑通一个闭环，再按需增加角色与编排，避免一次性投入过大。
SOLUTIONS
多智能体协同的实战场景
跨角色、跨系统、多步骤、要留痕——这几个方向都是单智能体撑不住、必须上协同的典型。
公安案件研判
线索分散在多个系统，检索、分析、写作三个 Agent 协同，直接产出可复核的研判材料。
看方案 →反诈与网络犯罪侦查
涉案要素自动抽取与关联，配合属地流程做差异化研判，缩短从数据到结论的链路。
看方案 →环食药侦
图片、检验报告、笔录等多模态材料统一解析入库，由智能体完成比对与线索串联。
看方案 →政企信创办公
在内网信创环境里跑 7×24 数字员工，承接数据整理、批量归档、文献调研等重复事务。
看方案 →数据智能分析
取数、分析、成文一条链路走完，报表与洞察由智能体生成、人工确认后发布。
看方案 →不确定从哪个开始
方案总览里给了判断思路：按数据形态、角色数量、是否必须留痕来选第一个场景。
看全部方案 →先说清楚你要解决什么问题
留下需求方向，我们会先判断这件事该用单智能体还是多智能体，再谈怎么做。不合适我们会直说。
电话：021-60766182地址：上海市宝山区振园路125号3号楼903室
