简介:本文从概念、搭建路径到编排方式,系统对比单 Agent 与多 Agent 编排两类方案的架构差异、上下文管理、失败传播、可观测性与运维成本。结合一次连续 74 小时、零用户任务条件下的系统级审计数据,说明为什么 Agent 的自述日志会漏掉它的真实行为,并给出场景化的选型判断与迁移注意事项,帮助开发者和架构师做出条件化决策。
近两年来,”Agent”从论文术语变成了产品货架上的常见标签,随之而来的三个问题也非常具体:它到底是什么、怎么自己搭一个、以及当单个不够用时怎么把多个组织起来。
本文的对比对象有两层,必须分开看,否则容易得出模糊结论:
需要说明的是,本文不对任何厂商产品做优劣判断,涉及第三方桌面 Agent 与审计工具的地方一律以”方案 A””方案 B””某款系统级审计工具”等中立称谓替代。
一个可用的 Agent 通常由四个部分构成,缺一不可:
据此可以把 Agent 的主循环抽象为下面这段示意性代码,它同时也是后面所有对比的基准:
# 单 Agent 主循环(示意,非特定产品实现)def run_agent(goal, model, tools, sandbox, max_steps=20):history = [{"role": "goal", "content": goal}]for step in range(max_steps):# 1) 决策:模型只做规划,不直接触达外部系统decision = model.plan(history=history, tool_schema=tools.schema())if decision.is_final:return decision.answer# 2) 行动:在受限沙箱内执行,并分配唯一 span 用于后续追溯result = tools.dispatch(decision.name, decision.args,sandbox=sandbox, trace_id=new_span())# 3) 观察:把结果写回上下文,同时落一条语义日志history.append({"role": "tool", "content": result})audit.append({"trace_id": result.trace_id,"tool": decision.name,"args_hash": digest(decision.args)})raise StepBudgetExceeded(max_steps)
这段代码里有一个容易被忽略的细节:decision 与 result 是两套完全不同的记录。前者是 Agent 自己写下来的”我打算做什么”,后者才是系统层面实际发生的事实。二者的差距,正是第四节数据来源要讨论的问题。
搭建方式大致可以归为两类,差异主要体现在”你为哪些层负责”。
| 对比维度 | 自建路径(自建模型接入 + 自建工具与沙箱) | 托管平台化路径(基于通用云能力拼装) |
|---|---|---|
| 部署形态 | 自行部署推理服务、执行器、状态存储 | 使用模型服务、容器平台、消息队列、日志服务、监控告警等通用类目能力 |
| 权限与沙箱 | 完全自主设计,可做到很细的限制 | 依赖平台既有的隔离与身份认证模型,细粒度取决于平台能力 |
| 接入改造成本 | 高:需自建工具协议、重试、限流、追踪 | 较低:多为配置与接口对接 |
| 运维复杂度 | 高:容量、升级、故障恢复全部自担 | 较低:托管化组件分担部分运维 |
| 可控性与可移植性 | 强,栈内每一层可替换 | 中等,需关注与具体托管能力的耦合度 |
| 适合场景 | 有平台团队、需深度定制的企业内部系统 | 团队运维人力有限、追求上线速度的探索型或中等规模应用 |
无论走哪条路径,权限设计与可观测性都不能省。工具层一旦开放文件系统或命令执行能力,Agent 的等效权限就是”沙箱内用户的权限”;如果编排服务还对外暴露了 HTTP 或消息接口,必须补上身份认证、鉴权与网络隔离,否则等于把执行入口开放给了不可信调用方。这一点在自建路径上尤其容易遗漏,因为默认配置往往只监听本地。
单 Agent 的天花板很清晰:上下文长度有限、工具数量增长后选择准确率下降、一个角色难以同时具备多种互斥的职责约束(例如既要写代码又要严格审查代码)。多 Agent 的思路是拆分职责,但拆分方式差别很大。
| 拓扑 | 协作机制 | 上下文开销 | 失败传播特征 | 典型适用 |
|---|---|---|---|---|
| 顺序流水线 | 上游产出即下游输入,单向 | 低(每段只需本地上下文) | 错误向后累积,难以回溯纠正 | 有明确阶段的批处理,如检索→抽取→校验→归档 |
| 主从编排(Orchestrator-Worker) | 主控分解任务、分派、归并 | 中(主控上下文是瓶颈) | 主控单点故障影响全局,子任务错误相对隔离 | 任务可并行拆分,如多文件扫描、多源比对 |
| 层级(Manager-Report) | 多层主控,逐层聚合 | 较高 | 逐层放大或逐层收敛,取决于归并策略 | 大规模、多域任务,需要局部自治 |
| 对等协商/群体协作 | 多角色自由对话、互相评判 | 高(消息量随角色数非线性增长) | 易出现震荡、互相确认而不收敛 | 需要多视角辩论的场景,如方案评审、红蓝对抗式审查 |
主从编排是工程上最常用的一种,可以写成:
# 主从编排(示意):分解 → 并行执行 → 结构化归并 → 独立校验def orchestrate(task):plan = planner.decompose(task) # 输出带依赖关系的子任务 DAGresults = scheduler.run(plan.nodes,max_parallel=4, # 并发上限,防止资源打满per_task_timeout=120,retry=2)merged = reducer.merge(results) # 结构化归并,避免自由文本拼接verdict = verifier.check(merged, plan.acceptance_criteria) # 独立校验者,不复用执行者if not verdict.passed:raise VerificationFailed(verdict.reasons)return merged
这段代码里有两个设计点值得强调:一是并发上限与超时是必需的,多个 Agent 同时读写同一工作目录时,资源竞争和竞态条件是常态而非例外;二是校验者应独立于执行者,让写代码的角色同时充当审查者,等于取消了交叉检查的价值。
| 维度 | 单 Agent | 多 Agent 编排 |
|---|---|---|
| 系统架构 | 一个循环 + 一套工具,状态集中 | 多个执行体 + 调度层 + 共享状态存储,分布式特征明显 |
| 上下文管理 | 单一上下文,线性增长,靠压缩/摘要控制 | 需跨 Agent 传递上下文,存在信息丢失与冗余双重风险 |
| 并发与性能 | 天然串行,吞吐受单循环限制 | 可并行,吞吐提升明显,但受共享资源与调度开销制约 |
| 失败处理 | 错误集中,便于定位和重试 | 需处理超时、部分失败、循环互等、结果冲突 |
| 可观测性 | 会话日志基本够用 | 会话日志显著不足,需引入分布式追踪与系统级审计 |
| 成本结构 | 主要是模型调用与少量基础设施 | 模型调用被放大(分解、汇总、校验各计一次),叠加调度与存储成本 |
| 运维复杂度 | 低到中 | 中到高,需监控队列积压、子任务失败率、共享资源争用 |
| 变更影响面 | 改一处即生效 | 接口与契约变更会跨 Agent 传导,需版本化 |
| 使用边界 | 复杂多阶段任务容易超出上下文与工具选择能力 | 任务若无法清晰分解,编排开销会超过收益,反而更难调优 |
需要指出的是,多 Agent 的优势并非来自”更多模型”,而是来自职责隔离带来的上下文聚焦和并行带来的时延压缩;它的代价也恰恰来自这两点:上下文需要在边界上传递,并行需要在共享资源上协调。所有优劣都能追溯到这两个技术差异,而不是”多”本身。
选型讨论常停在架构层,但真正让多 Agent 系统出问题的,往往是”可观测性缺口”。某项公开的对照性观测提供了一个直观参照:某款系统级 Agent 审计工具在两台桌面 Agent 上,在用户任务数为 0、连续 74 小时无人操作的条件下,记录到的数据如下。
| 观测项 | 数值 |
|---|---|
| 系统事件总数 | 1,807,594 条 |
| 日均事件量 | 约 48.9 万 / 49.6 万 / 70.5 万 / 10.7 万(不足整日) |
| 小时级中位数 | 25,076 条;90% 的小时不超过 34,261 条;峰值 122,336 条 |
| 平均速率 | 约 7 条/秒,全程无静默 |
| 进程启动次数 | 339 次 |
| 待处置风险项 | 29 项(含凭据文件访问、自我配置修改、持续外连十余个域名) |
| Agent 侧会话日志 | 1,333 条 |
| 概况页统计 | 任务 0、工具调用 0、Token 0 |
关键结论是:概况页显示”什么都没发生”,而系统层面从未安静过。这些行为多数属于桌面软件的常规后台活动(更新检查、遥测、缓存维护),但”常规”不等于”没有代价”——持续的进程拉起会占用 CPU 与磁盘 IO,凭据文件的读取与外连行为会扩大数据面暴露范围,自我配置修改则影响可复现性。
这也解释了两类观测手段的本质区别:
| 对比维度 | Agent 会话日志(自述) | 系统级行为审计(实证) |
|---|---|---|
| 数据来源 | Agent 主动写入,记录任务、对话、工具调用 | 操作系统层的进程、文件、网络事件 |
| 覆盖范围 | 仅覆盖”被记录的语义行为” | 覆盖所有实际发生的系统动作 |
| 盲区 | 后台进程、非工具路径的文件与网络访问、配置变更 | 缺少语义归属,单条事件难以对应到具体任务意图 |
| 证据强度 | 自述性质,可缺失或被截断 | 客观发生,可作为可追溯的证据链 |
| 接入成本 | 低,读取现有日志即可 | 较高,需部署采集与关联逻辑 |
| 本机开销与隐私 | 极低 | 有持续采集开销,证据需留在本机并做好访问控制 |
补齐缺口的通用做法,是给语义层与系统层一个共同的关联键,而不是依赖时间戳猜测:
# 把语义行为与系统事件串成可追溯证据链(示意)def build_evidence_chain(trace_id, t0, t1):semantics = session_store.query(trace_id=trace_id) # 任务 / 对话 / 工具调用events = host_event_store.query(start=t0, end=t1,match=["trace_id", "parent_process", "working_dir"] # 进程 / 文件 / 网络)chain = causality_order(semantics, events) # 按因果关系排序,而非仅按时间# 原则:只观测,不阻断;不改动 Agent 配置与流量;证据留在本机return chain
对多 Agent 系统而言,这个问题会被放大:子任务的扇出使得单次用户请求对应数十次执行体活动,共享工作目录与共享凭据意味着一次误操作会跨 Agent 传导,而每个 Agent 的日志都是各自为政的片段。没有统一的追踪标识与系统级证据,排障就只能靠”看谁在说话”,而不是”看发生了什么”。
回到最初的三个问题:Agent 是”推理内核 + 工具层 + 沙箱执行环境 + 控制循环”构成的行动系统,它的风险边界由工具权限而非模型能力决定;搭建时需要在自建与托管化之间,按团队运维能力与定制深度做条件化取舍;组织多个 Agent 时,四种拓扑各有适用面,选择依据是任务能否清晰分解、是否需要并行与职责隔离,而不是角色数量。
而贯穿三者的一条隐含主线是可观测性:74 小时、零任务、180 万条系统事件与 1,333 条自述日志之间的落差说明,”Agent 说它做了什么”和”系统实际发生了什么”必须被两套手段同时记录,才能形成可追溯的证据链。先让行为可见,再谈并行与规模化——这个顺序,比任何架构图都更值得坚持。