简介:面对多Agent系统"烧完Token却出不了结果"的普遍困境,本文对比对话驱动式与状态图编排式两种协作范式的核心差异。从任务协议、停止机制、上下文管理、可观测性与成本结构等维度剖析各自优劣,帮助你定位失控根源,并针对研发测试、生产系统等场景给出条件化的选型建议与迁移注意事项。
多 Agent 系统的本质,是一套需要工程化管控的受控工作流,而不是若干模型之间的自由闲谈。当团队把多个 Agent 拼接到一起时,最常见的失败现象并不是”模型能力突然下降”,而是系统层面缺少约束:一轮对话烧光了 Token,任务却没有向前推进任何一步。
这类失控往往来自三件事没有被讲清楚:
典型场景是:研究型 Agent 回复”信息不足”,分析型 Agent 又把同一句话推回去,双方各退一步却谁都没往前走,而每一轮携带的历史越滚越长,成本随之上升。正是这个痛点,催生了两种不同的应对思路,也构成了本文的对比对象。
本文对比的是多 Agent 系统中两种典型的协作编排方式:
两者的目标一致——让多个 Agent 协同完成单个 Agent 难以胜任的复杂任务,但控制权的归属截然不同:一个把控制权分散在对话里,一个把控制权收拢到编排器。
在进入差异之前,先明确它们共享的基础:
正因为底座相同,真正拉开差距的,是”如何管控协作过程”这一层设计。
方案 A 的 Agent 返回的通常是一段自然语言,例如”信息不足,请补充”。这种表达的模糊性正是循环的起点——编排逻辑无法从一句话里稳定地判断该收尾、该重试还是该回退。
方案 B 要求 Agent 返回编排器能读懂的结构化状态,而非只有自然语言:
子任务结果示例(结构化协议):{"task_id": "task-2","owner": "analyst","status": "NEED_UPSTREAM_INPUT", # 已完成 / 信息不足 / 需要上游输入 / 失败可重试 / 失败不可重试"artifact": { ... }, # 产物"evidence": [ ... ], # 证据"handoff_hint": "return_to_planner"}
编排器根据 status 字段决定下一步:已完成则沿固定路径收敛,需要上游输入则精确回退到指定节点,失败可重试则按预算重试,失败不可重试则直接进入熔断。它不会把一句”还有什么需要补充吗”原样丢给另一个模型——而后者正是早期群聊式多 Agent 最容易掉进循环的原因。
此外,方案 B 通常约束:同一子任务只能有一个负责人,Agent 不能随意改变目标,也不能无限创建新的子 Agent;能提前拆成依赖图的任务,先明确哪些可并行、哪些必须串行,完成后沿固定编排路径收敛到汇总节点。
一个常见误区是把停止寄托在 Prompt 劝说上,比如要求模型”适可而止””不要讨论太久”。但模型并不会因为这句提示就天然具备刹车能力。这就像在路口挂一块”请勿闯红灯”的牌子,却不装红绿灯、不派交警——牌子只能提醒守规矩的人,拦不住系统性失控。
可靠的做法是把终止条件、轮次预算、成本上限和异常熔断全部从 Agent 内部移交给外部编排器,让”要不要停”这件事在架构层面就不依赖模型自觉。具体可分为两层:
方案 A 往往只有软停止,甚至软停止也依赖模型自觉;方案 B 因为存在外部编排器,硬停止是内建的、可强制执行的。这是两者在稳定性上最本质的差别。
对话驱动式协作中,每一轮都会把越来越长的历史带入下一次调用。由于话题可以被无限转交,上下文呈累积式增长,既推高成本,又稀释了关键信息,容易让模型”迷失在长对话里”。
状态图编排式协作里,Agent 每次只需接收与该子任务强相关的输入(负责人、输入、产物、证据),而不是全量历史。上下文被显式裁剪和传递,规模可控,也更容易定位是哪一步出了问题。
方案 A 的执行轨迹散落在对话里,复盘时很难还原”到底谁在哪个环节做了什么决定、花了多少成本”,故障定位和成本核算都比较困难。
方案 B 天然产出一张任务状态图,每个节点的状态、产物、耗时、Token 消耗都可被记录与聚合。结合日志服务、监控告警等通用能力,编排器可以清晰呈现任务进度、失败节点和成本分布,可观测性显著更好。
| 对比维度 | 方案 A:对话驱动式 | 方案 B:状态图编排式 |
|---|---|---|
| 控制权归属 | 分散在 Agent 对话中 | 收拢到外部编排器 |
| 任务协议 | 自然语言,语义模糊 | 结构化状态,编排器可读 |
| 停止机制 | 主要依赖软停止与模型自觉 | 软停止 + 硬停止双层保障 |
| 轮次与成本 | 难以预测,易失控 | 可预算、可熔断、可约束 |
| 上下文管理 | 累积式增长,易失真 | 显式裁剪与传递,规模可控 |
| 可观测性 | 轨迹散落,难复盘 | 状态图可视,易定位与核算 |
| 前期工程成本 | 低,接入快 | 较高,需设计编排器 |
| 长期维护成本 | 高,故障排查困难 | 较低,边界清晰 |
| 循环风险 | 高 | 低(依赖图收敛) |
选型不应绝对化,而应结合业务约束进行条件化判断:
一个务实的路径是:先用方案 A 快速验证价值,当循环、成本、可观测性问题开始显现时,再把控制权逐步上移到编排器,过渡为方案 B。
从对话驱动式迁移到状态图编排式,或反过来调整,都需要关注以下风险:
多 Agent 系统的可靠性,不取决于单个模型有多强,而取决于协作过程是否被工程化地管控。对话驱动式协作接入快、灵活,但缺少统一调度时容易陷入”烧 Token 不出结果”的循环;状态图编排式协作以更高的前期工程成本,换来了结构化协议、双层停止、可控上下文与可观测性。二者并非谁绝对更优,而是分别适配探索验证与稳定生产两类诉求。选型时,应回到任务可预测性、成本稳定性、团队工程能力与可维护性这几个约束上做出条件化判断,并让”要不要停”这件事在架构层面不依赖模型自觉——这是整套设计的前提,而非可选项。