Java 工程师 AI 智能体学习路线 · 阶段 6：多智能体与编排 详解

Java 工程师 AI 智能体学习路线 · 阶段 6多智能体与编排 详解本阶段目标理解何时需要多个智能体协作掌握主流协作模式Supervisor/Worker、Pipeline 等、编排范式图/状态机/事件驱动、智能体间协议A2A/ACP/Agent Card以及人类在环HITL。注博客https://blog.csdn.net/badao_liumang_qizhi6.1 为什么需要多智能体讲解单个智能体在复杂任务下会什么都想做、但都不精。多智能体通过分工获得好处专业化每个 Agent 只负责一类能力检索、写作、审核提示词更聚焦、效果更好。可控性环节解耦便于单独调优、测试与替换。并行与规模可并行处理子任务或横向扩展。常见场景研究报告规划 Agent → 检索 Agent → 写作 Agent → 审核 Agent。客服意图分流 Agent → 业务 Agent → 质检 Agent。面试知识点Q什么情况下应该用多智能体而不是单个超强 PromptA任务可拆分、需要专业分工、要求可控可替换、或需并行/人工介入时多智能体更优简单任务反而不必增加编排复杂度。6.2 协作模式6.2.1 Supervisor / Worker主管—工人一个 Supervisor 负责拆解任务、派发给多个专业 Worker并汇总结果。Supervisor → [检索Worker, 写作Worker, 审核Worker] Supervisor 汇总 → 最终输出场景研究、内容生产、代码生成审查。6.2.2 Pipeline流水线Agent 串联前者的输出是后者的输入单向流动。采集 → 清洗 → 摘要 → 翻译场景数据处理的批处理链路。6.2.3 辩论 / 投票多个 Agent 各自给出方案再经辩论或投票择优。场景方案选型、高风险决策的交叉验证。6.2.4 Blackboard共享黑板所有 Agent 读写一块共享黑板状态/中间结果谁有能力谁补充。场景探索性、信息逐步汇聚的任务。面试知识点QSupervisor/Worker 与 Pipeline 的区别与取舍APipeline 是固定线性流转简单可预测但缺乏灵活调度Supervisor/Worker 由中枢动态派发与汇总更灵活适合任务不确定、需分支/并行的场景。6.3 编排范式6.3.1 有向图编排借鉴 LangGraph 思想把 Agent 与决策表示为节点 边 状态支持循环、条件分支。// 伪代码图编排有向图 状态StateGraphgraphnewStateGraph();graph.addNode(planner,plannerAgent);graph.addNode(researcher,researchAgent);graph.addNode(writer,writeAgent);graph.addEdge(planner,researcher);graph.addConditionalEdge(researcher,state-state.isInfoEnough()?writer:researcher);// 不足则继续检索graph.addEdge(writer,END);6.3.2 状态机用显式状态如PLANNING / EXECUTING / REVIEWING / DONE驱动流转便于约束合法路径。场景流程强约束、需审计的业务系统。6.3.3 事件驱动Agent 通过消息队列/事件总线通信松耦合、可水平扩展。场景异步、高并发、跨服务协作。面试知识点Q图编排相比简单顺序调用有什么优势A支持条件分支、循环如资料不足则再检索、并行与人工中断能表达真实业务的复杂控制流且节点可独立测试替换。6.4 共享状态与消息讲解多 Agent 协作必须解决信息怎么传任务上下文统一的状态对象/消息结构在各 Agent 间传递。消息格式标准化用一致的 JSON Schema 描述任务、结果、状态降低耦合。结果聚合Supervisor 把多个 Worker 输出合并、去重、排序。示例统一任务消息{taskId:T-001,type:research,input:对比 Java 21 与 17 的虚拟线程,state:dispatched,results:[]}常见场景跨 Agent 传递中间结论避免重复劳动。失败时定位是哪个环节出的问题。6.5 智能体间协议A2A / ACP / Agent Card讲解当 Agent 跨进程/跨团队/跨厂商协作需要标准通信协议。A2AAgent-to-AgentGoogle 提出核心概念Agent CardJSON 描述自身能力、端点、技能、Task任务单元、Message消息。通信基于 HTTP JSON-RPC支持 SSE 流式推送任务进度。价值一个 Agent 可发现另一个 Agent 的能力并委托任务实现跨系统协作。ACPAgent Communication Protocol另一种面向 Agent 通信的开放协议侧重会话与能力协商。Agent Card 示例{name:天气查询Agent,description:提供城市天气查询能力,url:https://a2a.example.com/weather,skills:[{id:get_weather,name:查天气,examples:[北京天气]}]}常见场景企业内多个团队各自维护一个 Agent通过 A2A 互相发现与调用。主 Agent 把订机票委托给专门的旅行 Agent。面试知识点QA2A 中的 Agent Card 有什么作用A它像 Agent 的名片/服务注册表用 JSON 描述自身能力、端点与技能供其他 Agent 自动发现与按需委托任务实现松耦合的多 Agent 协作。QA2A 和 MCP 的区别AMCP 解决Agent 如何调用工具/数据源Agent 对资源A2A 解决Agent 与 Agent 之间如何通信协作Agent 对 Agent。两者互补。6.6 任务分解与结果聚合讲解子任务派发Supervisor 把目标拆成可独立执行的子任务分配给合适 Worker按技能匹配。结果聚合合并多 Worker 输出处理重复/冲突冲突时可再派发仲裁 Agent 或投票。冲突仲裁当检索结果 contradictory用打分/投票/规则裁决。常见场景多语言翻译拆成翻译→母语润色→术语校验三个 Worker。多源信息汇总各源检索后由聚合节点去重。面试知识点Q多 Agent 结果冲突时如何处理A可引入仲裁 Agent/投票机制或按来源可信度加权对关键结论要求附证据必要时升级人工确认HITL。6.7 人类在环HITL, Human-in-the-Loop讲解在关键节点暂停等待人工审批或补充再把反馈回流给 Agent 继续。审批点发送消息、执行写操作、发布前终审。反馈回流人工修正后作为 Observation 回灌Agent 据此调整后续行为。价值兼顾自动化与可控性是生产落地的关键保障。常见场景自动回复邮件前需人工点发送。运维 Agent 执行重启服务前需审批。面试知识点QHITL 一般放在哪些节点为什么A放在不可逆/高风险/强合规节点发消息、删数据、对外发布。因为这些动作出错代价高需人工确认同时也把人类反馈作为下一步依据形成人机协同。6.8 阶段 6 自测清单能说出 Supervisor/Worker 与 Pipeline 的适用差异能解释 Agent Card 的作用能设计一个 2-Agent 协作流程能区分 A2A 与 MCP 的边界能说明 HITL 应放在哪些节点6.9 阶段 6 面试题与参考答案1. 什么情况下应用多智能体而非单个 Prompt任务可拆分、需要专业分工、要求可控可替换、或需并行/人工介入时多智能体更优简单任务不必增加编排复杂度。2. Supervisor/Worker 与 Pipeline 的区别与取舍Pipeline 是固定线性流转简单可预测但缺乏灵活调度Supervisor/Worker 由中枢动态派发与汇总更灵活适合任务不确定、需分支/并行的场景。3. 图编排相比顺序调用有什么优势支持条件分支、循环如资料不足继续检索、并行与人工中断能表达复杂控制流且节点可独立测试替换。4. 多 Agent 间如何传递信息通过统一的任务上下文/消息结构标准化 JSON Schema传递Supervisor 负责结果聚合必要时去重/排序/仲裁。5. A2A 中的 Agent Card 有什么作用像 Agent 的名片/服务注册表用 JSON 描述自身能力、端点与技能供其他 Agent 自动发现并委托任务实现松耦合协作。6. A2A 和 MCP 的区别MCP 解决 Agent 如何调用工具/数据源Agent 对资源A2A 解决 Agent 与 Agent 之间如何通信协作Agent 对 Agent。两者互补。7. 多 Agent 结果冲突如何处理引入仲裁 Agent/投票或按来源可信度加权关键结论要求附证据必要时升级人工确认。8. 什么是 HITL一般放在哪些节点Human-in-the-Loop在关键节点暂停等待人工审批/补充并回流反馈。放在不可逆/高风险/强合规节点发消息、删数据、对外发布。9. Blackboard 模式适合什么场景探索性、信息逐步汇聚的任务多个 Agent 读写共享黑板逐步补充结论谁有能力谁贡献。10. 辩论/投票模式的价值与代价价值多视角交叉验证、降低单 Agent 偏差适合高风险决策代价多倍 Token/延迟成本且需设计收敛与裁决机制。