多代理架構設計：讓多個 AI 分工合作

讓一個 Agent 同時搜尋資料、寫程式、寄 Email，品質遠不如三個各自專注的 Agent。這一篇帶你看懂為什麼需要多 Agent、四種常見架構模式，以及怎麼用 Python 實作一個真的會並行工作的 Orchestrator。

為什麼需要多 Agent

單一 Agent 在這些情況表現會變差：

• 任務需要不同的專業：同時需要搜尋能力、程式能力、寫作能力，單一 Agent 什麼都做，什麼都做得普通。
• 任務可以並行：研究三個不同主題的報告，單 Agent 依序做要三倍時間，三個 Subagent 並行只要最長的那份時間。
• 任務超過 context window：分析一萬行程式碼超過 context limit，拆成小塊分給多個 Subagent 分析後整合。

常見的四種多 Agent 模式

任務拆解的原則

• 子任務要獨立：每個 Subagent 不需要等待其他 Subagent 才能開始（除非是 Pipeline 模式）。
• 邊界要清楚：Subagent 的輸入和輸出格式要明確定義，Orchestrator 知道每個 Subagent 能做什麼、會給什麼。
• 粒度要合適：子任務不要太大（單一 Agent 做不完）也不要太小（拆解本身的開銷超過收益）。
• 失敗要能重試：設計讓單個 Subagent 失敗後 Orchestrator 能重試或改用備用策略，整個系統不因一個子任務失敗而崩潰。

用 Anthropic API 實作多 Agent

以下是一個 Orchestrator-Worker 的完整實作，三個 Subagent 並行分析後，由 Orchestrator 用強模型整合結論：

import anthropic
from concurrent.futures import ThreadPoolExecutor

client = anthropic.Anthropic()

def run_subagent(task: str, system: str) -> str:
    """執行一個 Subagent，回傳結果"""
    r = client.messages.create(
        model="claude-haiku-4-5-20251001",  # 子任務用便宜模型
        max_tokens=1000,
        system=system,
        messages=[{"role": "user", "content": task}]
    )
    return r.content[0].text

def orchestrate(main_task: str) -> str:
    # Orchestrator 拆解任務
    subtasks = [
        ("分析優點", "你是商業分析師，專注分析優點"),
        ("分析風險", "你是風險評估師，專注識別風險"),
        ("市場調查", "你是市場研究員，專注市場數據"),
    ]
    # 並行執行所有子任務
    with ThreadPoolExecutor() as pool:
        results = list(pool.map(
            lambda t: run_subagent(f"{main_task}: {t[0]}", t[1]),
            subtasks
        ))
    # Orchestrator 整合結果（用強模型）
    summary = run_subagent(
        f"整合這些分析：{results}",
        "你是策略顧問，整合多方分析給出結論"
    )
    return summary

多 Agent 的常見問題