设计模式篇难度 3⏱ 10 分钟概念
01按场景选型（Pattern Selection by Scenario）
根据任务特征选择最合适的 Agent 设计模式，避免过度设计或能力不足
场景选型Agent设计模式架构决策Workflow多Agent
更新于 2026-03-25pattern-selection-by-scenario
多个 Agent 在共享对话中轮流发言、由主持人动态调度的多 Agent 协作模式。
内容摘要
群聊模式是一种多 Agent 协作范式：多个拥有不同职责的 Agent 共享同一个对话上下文，由一个 GroupChatManager（群聊管理器，相当于"会议主持人"）在每一轮动态选择下一个发言者，被选中的 Agent 发言后，消息广播给所有参与者，如此循环直到任务完成。
群聊模式是一种多 Agent 协作范式：多个拥有不同职责的 Agent 共享同一个对话上下文，由一个 GroupChatManager（群聊管理器，相当于"会议主持人"）在每一轮动态选择下一个发言者，被选中的 Agent 发言后，消息广播给所有参与者，如此循环直到任务完成。
这个模式解决的核心问题是：当一个任务需要多个角色来回互动、迭代改进时，怎么组织它们的协作？ 传统方案要么让 Agent 排成一条流水线依次执行（Sequential，顺序模式），缺少实时反馈；要么由一个主管把任务拆成子任务分给 Worker 执行（Master-Worker，主仆模式），但 Worker 之间看不到彼此的工作。群聊模式把所有 Agent 放进同一个"会议室"，每个人都能看到所有人说了什么，主持人根据当前讨论进展决定谁来发言，形成自然的多方协作。
该模式最早在 Microsoft AutoGen 框架（Wang et al., 2023）中得到系统实现，AutoGen 0.4 版本将其进一步拆分为 RoundRobinGroupChat（轮询群聊）和 SelectorGroupChat（基于 LLM 选择的群聊）两个预置组件。AG2（AutoGen 的社区分支）也提供了类似实现。
一句话概括：多个 Agent 共享对话历史，由主持人逐轮选择发言者，通过多轮互动协作完成任务。
群聊模式由三个核心角色协作运转：
| 模块 | 作用 | 与其他模块的关系 |
|---|---|---|
| GroupChatManager（群聊管理器） | 维护共享对话历史，选择下一个发言者，判断是否终止 | 是整个模式的控制中枢，协调所有 Agent |
| Agent 参与者 | 根据自身角色定位生成回应（如撰写者、编辑、审查者） | 接收 Manager 的发言邀请，发言后消息回到 Manager |
| 共享消息话题（Shared Topic） | 存储所有对话历史，所有 Agent 都能读取 | 由 Manager 维护，是信息对称的基础 |
GroupChatManager 是群聊的"会议主持人"，承担三项核心职责：
每个 Agent 有自己的角色定义（通过 System Prompt 设定）和专长领域。Agent 在被选中发言时，基于完整的对话历史和自身角色定位生成回应。
关键特点：所有 Agent 看到的对话历史是相同的——Agent A 发的消息，Agent B 和 Agent C 都能完整看到。这种信息对称是群聊模式区别于 Master-Worker 模式的核心差异（Master-Worker 中 Worker 之间互相看不到对方的输出）。
可以理解为一块"公告板"，所有发言都写在上面，所有人都能看到。它的作用是：
流程说明：
终止条件设计是群聊模式的难点之一。单一条件（如只靠关键词）容易误触发或漏掉。实践中通常组合使用：硬性最大轮数 + 关键词检测 + Agent 主动声明完成。
任务："写一篇关于 AI 医疗应用的博客文章，经过编辑审查和配图方案设计"
三个 Agent：撰写者、编辑、设计师。选择策略：LLM 智能选择。最大轮数：6。
第 1 轮 —— LLM 判断"没有初稿就没法编辑"，选择撰写者： 撰写者生成约 500 字的初稿，涵盖 AI 在影像诊断、治疗规划、药物发现等方向的应用。消息广播后，编辑和设计师都看到了初稿。
第 2 轮 —— LLM 判断"初稿已有，需要编辑反馈"，选择编辑： 编辑指出三个问题：第二段缺数据支撑、术语 CNN 未定义、结论段过短。消息广播后，撰写者知道要改什么，设计师开始构思配图。
第 3 轮 —— LLM 判断"编辑意见需要撰写者处理"，选择撰写者： 撰写者针对三个问题逐一修改，补充了准确率数据、添加术语定义、扩展结论。输出修改后的完整文章。
第 4 轮 —— LLM 判断"文章已定稿，该设计师上场了"，选择设计师： 设计师提出 4 个配图方案：开篇全景图、诊断对比图、神经网络示意图、未来展望信息图。声明"配图方案已定稿"。
Manager 检测到任务的三个目标（初稿、编辑审查、配图方案）都已完成，生成终止信号，输出最终结果汇总。
以下伪代码展示群聊模式的核心循环结构：
# 群聊模式核心循环伪代码
def groupchat_loop(agents, task, max_rounds=6, select_strategy="round_robin"):
"""群聊主循环：选择发言人 → 生成回应 → 广播 → 终止判断"""
history = [{"speaker": "用户", "content": task}]
speaker_index = 0
for round_num in range(max_rounds):
# 阶段 1：选择发言人
if select_strategy == "round_robin":
current_agent = agents[speaker_index % len(agents)]
speaker_index += 1
elif select_strategy == "llm_selector":
current_agent = llm_select_speaker(history, agents)
# 阶段 2：被选中的 Agent 生成回应
response = current_agent.generate(history)
# 阶段 3：广播消息，更新所有 Agent 的对话历史
history.append({"speaker": current_agent.name, "content": response})
# 阶段 4：终止判断
if is_finished(history):
break
return history
history 列表是共享消息话题的简化表示，所有 Agent 通过它看到完整对话。select_strategy 控制发言人选择策略。is_finished 检查终止条件。
如果使用 AutoGen 0.4 框架，可以直接使用预置的 RoundRobinGroupChat 或 SelectorGroupChat：
# 基于 AutoGen 0.4 的群聊实现（示意）
# 依赖：pip install autogen-agentchat~=0.4
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat, SelectorGroupChat
from autogen_agentchat.conditions import TextMentionTermination
# 定义 Agent
writer = AssistantAgent(name="Writer", system_message="你是撰写者...", model_client=model)
editor = AssistantAgent(name="Editor", system_message="你是编辑...", model_client=model)
# 方式 1：轮询群聊 —— 按顺序轮流发言
team_rr = RoundRobinGroupChat(
participants=[writer, editor],
termination_condition=TextMentionTermination("FINISH"),
max_turns=6,
)
# 方式 2：LLM 选择群聊 —— 由 LLM 根据上下文选择下一个发言者
team_sel = SelectorGroupChat(
participants=[writer, editor],
model_client=model, # 用于选择发言人的 LLM
termination_condition=TextMentionTermination("FINISH"),
allow_repeated_speaker=False, # 禁止同一 Agent 连续发言
)
# 运行
result = await team_sel.run(task="写一篇关于 AI 医疗的博客文章")
AutoGen 0.4 对群聊做了清晰的分类：RoundRobinGroupChat 适合流程明确的场景（不消耗额外 LLM 调用），SelectorGroupChat 适合需要动态判断的场景（每轮多一次 LLM 调用用于选择发言人）。
| 优势 | 劣势 |
|---|---|
| 信息完全对称，所有 Agent 看到相同历史，减少沟通误差 | 串行执行，每轮只一个 Agent 工作，总耗时随轮数线性增长 |
| 发言人选择策略可插拔，从简单轮询到 LLM 智能选择均可 | Agent 数量多时，选择开销和上下文长度膨胀 |
| 过程透明可追踪，完整对话记录便于调试和审计 | LLM 调用成本随轮数累积（尤其使用 LLM 选择策略时） |
| 适合需要来回迭代的协作型任务 | 终止条件设计复杂，处理不当容易无限循环或过早终止 |
边界说明：群聊模式的优势在任务需要多角色来回互动时最明显。当任务可以拆成独立子任务并行执行时，Master-Worker 模式效率更高。
| 对比维度 | Group Chat（群聊） | Master-Worker（主仆） | Sequential（顺序） |
|---|---|---|---|
| 核心思想 | 多 Agent 共享上下文，动态轮流发言 | 主 Agent 分解任务，Worker 各自执行 | Agent 按预定流程依次传递 |
| 信息流向 | 星型：所有 Agent 看到所有消息 | 树型：Worker 之间互不通信 | 链型：A → B → C |
| 执行方式 | 串行轮流 | 可并行 | 串行 |
| Agent 自主性 | 高，可互相启发和回应 | 低，Worker 只执行分配的子任务 | 低，按固定顺序处理 |
| 适用规模 | 3-10 个 Agent | 1 个 Master + 多个 Worker | 2-5 个 Agent |
| 典型场景 | 协作写作、代码审查、头脑风暴 | 数据处理、批量内容生成 | ETL 管道、审批流程 |
选择建议：需要来回互动和迭代改进 → Group Chat；任务可拆分且子任务独立 → Master-Worker；流程固定、无需交互 → Sequential。
| 常见误区 | 正确理解 |
|---|---|
| "群聊就是让多个 Agent 同时工作，速度更快" | 群聊是串行轮流发言，每轮只有一个 Agent 在工作。它的价值是信息对称和动态协作，不是并行加速 |
| "用 LLM 选择发言人就一定比轮询好" | LLM 选择每轮多消耗一次 LLM 调用，适合需要动态判断的场景。如果发言顺序本身就是固定的（如先写后审再设计），轮询更高效 |
| "Agent 越多协作效果越好" | Agent 超过 10-15 个后，上下文拥挤、选择开销增大、对话难以收敛。实践中 3-8 个 Agent 效果最好 |
| "只要设了终止关键词就不会死循环" | 单一关键词检测容易误触发或漏掉。需要组合使用最大轮数 + 关键词 + 启发式判断 |
参考答案：
核心区别是信息流和交互方式。Sequential 模式中，Agent A 的输出传给 Agent B，Agent B 的输出传给 Agent C，是单向链条，Agent C 看不到 Agent A 的原始输出，Agent A 也看不到 Agent B 的反馈。
群聊模式中，所有 Agent 共享同一个对话历史，每个人都能看到所有人说了什么。这使得 Agent 之间可以互相启发、来回修改，而不是单方向传递。
参考答案：
轮询策略适合发言顺序基本固定的场景，比如"撰写者 → 编辑 → 设计师"的流程已经明确，不需要 LLM 来判断谁该发言。优点是零额外 LLM 开销，缺点是不灵活。
LLM 智能选择适合发言顺序不确定、需要根据对话内容动态判断的场景，比如头脑风暴中谁提了个问题、谁最擅长回答就让谁发言。优点是灵活，缺点是每轮多消耗一次 LLM 调用。
选择的关键判断标准：如果你能在写代码前就画出发言顺序图，用轮询；如果发言顺序取决于对话的实际内容，用 LLM 选择。
参考答案：
每轮有两次 LLM 调用：一次用于选择发言人，一次用于被选中 Agent 生成回应。10 轮就是 20 次 LLM 调用，成本上限为 20 × 0.01 = 0.20 元。
如果改用轮询策略，省掉选择发言人的 LLM 调用，每轮只有 1 次，10 轮共 10 次，成本为 0.10 元——正好减半。这也是为什么在流程固定的场景下推荐轮询策略。
优先展示同分类且标签更接近的内容，方便继续串联学习。
根据任务特征选择最合适的 Agent 设计模式，避免过度设计或能力不足
多个 Agent 对同一问题各自作答、互相质证，通过多轮辩论逼近更可靠答案的协作模式。
多层级 Agent 树状组织，通过逐层委托实现大规模任务的分解与协调。