多 Agent 协作篇：复杂任务如何拆给多个智能体
多 Agent 适合把复杂任务拆给不同角色处理，但它带来的协调成本、上下文同步和结果一致性也不能忽视。
多 Agent 协作篇：复杂任务如何拆给多个智能体
多 Agent 的基本思路是让不同智能体承担不同角色，比如规划、实现、测试、审查、总结。它不是为了显得高级，而是为了让复杂任务分工更清晰。
Rendering diagram...
常见模式
Supervisor / Worker 模式最常见，由一个主 Agent 分派任务，多个 Worker 执行。Debate 模式让多个 Agent 给出不同观点，再由裁判综合。Review 模式让一个 Agent 生成结果，另一个 Agent 专门找问题。
什么时候值得用
当任务有天然分工时，多 Agent 会更有价值。比如“调研方案、修改代码、补测试、写发布说明”可以拆开。只是简单问答或单步工具调用，就没必要引入多 Agent。
风险
多 Agent 会增加 token 成本和延迟，也会带来上下文不一致。每个 Agent 都可能误解目标，如果没有共享状态和明确验收标准，最终结果反而更乱。
多 Agent 收益 = 任务可并行程度 + 角色差异
多 Agent 成本 = 协调复杂度 + 上下文同步 + 额外 token
小结
多 Agent 的核心不是数量，而是分工。先把单 Agent Runtime 做稳，再引入多个角色，系统会更容易控制。