一、单一 Agent

优点

• 结构简单，几乎没有工程开销，几行代码即可跑通；
• 调用链短，延迟低；
• 单次调用的成本低，适合快速验证。

缺点

• 所有职责压在单一上下文里，任务一旦复杂，模型容易认知过载；
• 长上下文下易出现上下文污染，前序无关信息干扰后续推理；
• 无外部状态管理，跨多轮、多子任务时难以追踪与控制。

适用场景

• 原型验证、概念 Demo；
• 简单的单轮 / 少轮对话与问答；
• 职责边界清晰、无需多步协作的轻量任务。

二、Pipeline 流水线架构

这是最直观、最易落地的一种。多个 Agent 按固定顺序排列，前一个 Agent 的输出作为后一个 Agent 的输入，像工厂流水线一样接力处理。

优点

• 实现简单、逻辑清晰，便于单独调试每个环节；
• 中间结果可留存审计。

缺点

• 缺乏灵活性，无法应对需要动态判断下一步该做什么的场景；
• 一个环节出错会阻断整个链条。

适用场景

• 任务可以被清晰拆解为顺序依赖的固定步骤；
• 每个环节职责单一，边界明确；
• 对流程的可预测性要求高，期望每一步可控、可监督、可审计。

三、Peer-to- Peer对等协作架构

所有 Agent 地位对等，通过直接对话协商完成任务。任意一个 Agent 都可以把消息发给其他 Agent，请求帮助或交换信息，直到共同得出结果。

想象一场圆桌会议：研究员、数据分析师、文案各自发言、互相补充，没有主持人控制发言顺序。

优点

• 去中心化、鲁棒性强，单个Agent失效不影响整体；
• 信息流动自由。

缺点

• 缺乏统一控制，容易出现重复劳动、循环讨论、不收敛；
• 协调成本高，结果可控性差。

适用场景

• 任务需要多角色深度讨论、观点碰撞；
• 问题结构不清晰，需要聊出来而非拆出来
• 期望发挥群体智慧，而非依赖某个节点的决策。

四、ReAct

优点

• 具备链式推理能力，能处理需要多步探索的任务；
• 每一步的「思考—行动」可被记录，可解释性好，便于排查；
• 天然支持工具调用，能访问外部信息源补充知识盲区。

缺点

• 每次循环都携带完整历史，token 消耗大；
• 推理过程具有随机性，稳定性不足，可能中途跑偏或死循环；
• 缺乏全局规划，面对需要严格顺序或并行约束的任务时力不从心。

适用场景

• 需要多步推理、边想边做的探索型任务；
• 信息检索 + 推理结合的场景（如研究问答）；
• 对结果可解释性有要求的调试与辅助场景。

五、Plan-and-Execute

优点

• 稳定性高：执行阶段目标明确，不易中途跑偏；
• 规划与执行解耦，便于复用、替换或人工介入计划；
• 特别适合步骤确定、长流程的自动化任务。

缺点

• 计划一旦出错，全盘崩溃，执行阶段缺乏纠偏能力；
• 面对执行中出现的意外变化，灵活性不如 ReAct；
• 一次性规划对复杂、开放问题的覆盖能力有限。

适用场景

• 代码生成、批处理脚本等步骤可预先确定的任务；
• 长流程自动化、需要可审计步骤的企业级流程；
• 希望把「计划」作为可评审、可复用资产的工作流。

六、多 Agent 协作

优点

• 任务拆解清晰，每个 Agent 职责单一、上下文隔离；
• 上下游之间污染低，单个 Agent 的失误不会污染全局；
• 可扩展性强，可按需增减角色 Agent；
• 可通过引入 Reviewer 等角色实现质量把关。

缺点

• 多 Agent 多次调用，成本高；
• 协调器成为关键路径，其设计质量直接影响整体；
• 角色间通信与结果汇聚增加工程复杂度。

适用场景

• 复杂行业场景，对流程一致性要求高（如金融、医疗合规流程）；
• 需要「规划—执行—评审」多角色分工的生产任务；
• 任务边界清晰、可并行、可流水线化的系统。

七、Router + Skill

优点

• 稳定性极强：执行路径被 Skill 固化，模型不参与临场推理；
• 企业级可控：每个 Skill 可单独开发、测试、灰度、回滚；
• 命中路径可缓存，性能高；
• 路由结果可统计，命中率可评估，便于持续优化。

缺点

• Skill 设计成本高，需要精心定义能力边界与触发条件；
• 意图边界重叠时可能出现路由冲突；
• 灵活性受限，难以覆盖长尾、开放式的需求。

适用场景

• AI Coding / 智能体系统方向（当前工程界验证过的最优实践之一）；
• 意图明确、可枚举的技能型产品（客服、助手、代码助手）；
• 对稳定性、可观测性、可运营有硬性要求的企业场景。

八、Blackboard 黑板系统

优点

• 适合多方协作，天然支持并行与松耦合；
• 通过共享状态实现隐式协调，无需显式点对点通信；
• 灵活性强，Agent 可动态加入或退出。

缺点

• 状态管理非常重，需要处理并发读写、一致性；
• 出问题时难以追踪，责任与因果链条不清晰；
• 缺乏显式控制流，收敛性无法保证。

适用场景

• 复杂的协作 / 协同求解场景（如多专家联合分析）；
• 一个用户 query 包含多个子任务、子任务依赖分步产出信息；
• 依赖共享状态驱动的事件型系统；
• 使用 LangGraph 等工作流引擎、或分布式系统时的状态协调。

九、Graph Workflow

优点

• 企业级稳定：流程被图显式定义，行为可预测；
• 支持 DAG 编排，可表达并行与依赖关系；
• 支持长流程，具备断点续跑、回溯、重试等生产级能力；
• 可观测性强，每个节点的状态与数据可追踪。
  DAG普及：
• 有向：箭头有方向，A→B，代表 A 做完才能跑 B；不能反过来；
• 无环：绝对不能出现闭环（A→B→A），不会无限死循环；
• 编排：把多个子节点（调用工具、检索知识、LLM 判断、分支）串起来，规定先后顺序和分支条件。

缺点

• 最重：建模、维护、运维成本高；
• 需要额外的编排引擎与基础设施；
• 过度设计风险——简单任务用它反而得不偿失。

适用场景

• 流程自动化与生产环境的复杂长流程；
• 需要严格 SLA（服务等级协议）、可回溯可重试的关键业务链路；
• 数据管道、多步骤批处理、跨系统编排等场景。

总结