分层模式（Hierarchical）

分层模式（Hierarchical）

模式概述

分层模式是一种"像公司组织架构一样"管理多个 Agent 的协作方式。核心做法是：设一个顶层 Agent 当"总经理"，它不亲自干活，而是把复杂任务拆成几块，分配给中层 Agent（"部门经理"）；中层 Agent 再进一步细化，交给底层 Agent（"一线员工"）去真正执行。执行结果沿原路逐层汇报回来，最终由顶层 Agent 汇总输出。

这种模式要解决的问题很明确：当 Agent 数量多、任务复杂时，如果只用一个 Supervisor（主管）直接管所有 Worker（执行者），Supervisor 的负担会越来越重，最终成为瓶颈。分层模式通过引入多级管理，把"一人管所有"变成"逐级管理"，让每层 Agent 只关注自己层级的事。这和企业管理中的分层授权是同一个道理。

一句话概括：通过多层级树状结构逐级委托任务，让每层 Agent 只负责自己层级的决策，实现大规模 Agent 系统的分治协调。

核心模块

分层模式属于结构型模式，核心是三个层级之间的委托与汇报关系：

模块 1：顶层 Agent（Top-Level Agent）

顶层 Agent 是整个系统的入口和出口。它接收用户的原始需求，分析任务的核心目标和主要维度，制定分解策略，然后把子任务分配给中层 Agent。所有中层返回结果后，顶层负责综合整理，生成最终输出。

顶层 Agent 本身不执行具体操作。它的价值在于"看全局"——决定任务怎么拆、拆给谁、最终怎么合。

模块 2：中层 Agent（Mid-Level Agent）

中层 Agent 相当于"部门经理"，每个中层 Agent 通常负责一个专业领域（例如"数据分析"或"内容撰写"）。它从顶层接收子任务后，根据自己领域的特点进一步细化，然后分配给底层 Agent。底层完成后，中层负责聚合结果、检查质量，必要时安排重试。

中层是分层模式区别于简单 Supervisor-Worker（主管-执行者）模式的关键——它让系统多了一层"专业判断"。

模块 3：底层 Agent（Worker Agent）

底层 Agent 是真正的执行者。它根据上层给的具体指令，调用搜索工具、代码执行器、数据库查询等完成任务，把结果返回给上级。

底层 Agent 的职责边界清晰：只做被分配的事，不需要理解全局目标。

架构图

流程说明：

• 实线箭头表示任务的下行委托方向：顶层 → 中层 → 底层
• 虚线箭头表示结果的上行汇报方向：底层 → 中层 → 顶层
• 同一层的多个 Agent 可以并行工作，彼此互不干扰
• 控制点在于每一层的"分解策略"——分得合不合理，直接决定最终质量

工作流程

1. 步骤 1（任务接收与规划）： 顶层 Agent 接收用户的原始需求，分析核心目标，识别任务的主要维度，制定分解方案。输出是一份包含若干子任务的规划清单。
2. 步骤 2（中层分解与分配）： 各中层 Agent 分别接收自己负责的子任务，在专业领域内进一步拆解为可执行的具体操作，分配给底层 Agent。
3. 步骤 3（底层执行）： 底层 Agent 调用工具（搜索、计算、API 调用等）完成分配的具体任务，返回执行结果。
4. 步骤 4（结果汇聚）： 中层 Agent 收集底层结果，检查是否达标。如果某个底层任务失败或质量不足，中层可以决定重试或调整策略。汇总后向顶层报告。
5. 步骤 5（最终整合）： 顶层 Agent 综合所有中层的汇报，进行逻辑整合和一致性检查，生成最终答案返回给用户。

终止条件：所有底层 Agent 完成执行且中层确认结果合格后，汇聚链路自动向上推进，顶层生成最终输出时流程结束。如果中层发现某个子任务结果不合格，会形成局部重试循环。

执行示例

任务："帮我写一份'AI 在教育领域应用'的研究报告，包括背景、技术、案例和展望。"

顶层 Agent 规划： 分析后确定三个维度——(1) 背景调研与文献整理 (2) 关键技术分析 (3) 报告撰写与整合。分别委托给中层 Agent A（研究方向）和中层 Agent B（写作方向）。

中层 Agent A 分解：

• 子任务 1：搜索近三年 AI 教育相关学术论文和行业报告 → 交给 Worker 1
• 子任务 2：分析自适应学习、智能评估等核心技术 → 交给 Worker 2

中层 Agent B 分解：

• 子任务 3：根据研究成果撰写报告各章节 → 交给 Worker 3

底层执行与汇聚： Worker 1 返回文献列表和摘要，Worker 2 返回技术分析文档，Worker 3 输出报告初稿。中层 A 聚合出"背景与技术"章节，中层 B 聚合出"案例与展望"章节。顶层将两部分整合成完整的、风格一致的研究报告。

适用场景

适合的场景

1. 大规模多领域任务：任务涉及多个专业领域（如同时需要代码、数据分析、文案写作），不同领域由专门的中层 Agent 负责，避免一个 Supervisor 管所有事。
2. 需要清晰审计链路的企业应用：如医疗诊断、金融风控、合规审查——层级结构让每一步决策都可追溯，满足审计需求。
3. Agent 数量多（几十到上百个）的系统：单个 Supervisor 管不过来时，分层是自然的扩展方式。每增加一个新领域，只需在对应层级加一个中层 Agent 及其下属。
4. 需要分级权限的决策场景：如财务审批流程——不同层级的 Agent 有不同的决策权限，高层有最终批准权，底层只有执行权。

不适合的场景

1. 简单直线型任务：一次搜索、一次翻译、一次格式转换——分层只会增加不必要的通信开销和延迟。
2. 需要高实时性的任务：自动驾驶决策、高频交易——多层级的委托和汇聚会引入不可接受的延迟。
3. Agent 之间需要频繁对等协商的任务：如头脑风暴、辩论式推理——分层模式强调上下级关系，限制了平等沟通的灵活度，这类任务更适合群聊模式（GroupChat）。

典型实现

以下伪代码展示分层模式的核心委托-汇聚机制：

# 分层模式核心伪代码

class Agent:
    def __init__(self, name, role, children=None):
        self.name = name
        self.role = role
        self.children = children or []

    def execute(self, task):
        if not self.children:
            # 底层 Agent：直接执行
            return self.run_tool(task)
        # 非底层 Agent：分解任务，委托给下层
        sub_tasks = self.decompose(task)
        results = []
        for sub_task, child in zip(sub_tasks, self.children):
            result = child.execute(sub_task)
            results.append(result)
        # 汇聚下层结果
        return self.aggregate(results)

    def decompose(self, task):
        """调用 LLM 将任务拆分为子任务"""
        return llm.generate(f"将以下任务拆分为子任务：{task}")

    def aggregate(self, results):
        """调用 LLM 将多个子结果整合为一份报告"""
        return llm.generate(f"整合以下结果：{results}")

    def run_tool(self, task):
        """底层 Agent 调用具体工具执行任务"""
        return tool.execute(task)

核心结构是递归的 execute 方法：有下层就分解并委托，没有下层就直接执行。decompose 负责向下拆分，aggregate 负责向上汇聚。

CrewAI 框架对分层模式提供了开箱即用的支持，通过 process="hierarchical" 参数启用：

# 基于 CrewAI 的分层模式（示意）
# 依赖：crewai（截至 2026-03 验证）

from crewai import Agent, Task, Crew, Process

# 定义执行 Agent
researcher = Agent(
    role="研究员",
    goal="搜索并整理相关资料",
    backstory="资深研究分析师",
    allow_delegation=False    # 底层不再向下委托
)

writer = Agent(
    role="撰稿人",
    goal="根据研究结果撰写报告",
    backstory="专业技术作家",
    allow_delegation=False
)

# 定义任务
research_task = Task(
    description="调研 AI 在教育领域的应用现状",
    expected_output="调研报告",
    agent=researcher
)

writing_task = Task(
    description="基于调研结果撰写完整报告",
    expected_output="研究报告终稿",
    agent=writer
)

# 创建分层 Crew——框架自动生成 Manager Agent
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    process=Process.hierarchical,    # 启用分层模式
    verbose=True
)

result = crew.kickoff()

CrewAI 在 Process.hierarchical 模式下会自动创建一个 Manager Agent（管理者 Agent），由它决定任务执行顺序和委托策略。开发者只需定义 Agent 和 Task，不需要手动编排层级关系。

LangGraph 同样支持分层模式，通过嵌套 Supervisor 实现。2025 年 2 月发布的 langgraph-supervisor 库提供了 create_supervisor() API，支持将多个 Supervisor 组合成多层级结构（supervisor of supervisors）。

优劣势分析

边界说明：分层模式的优势在 Agent 数量多、任务维度多的大规模系统中最明显；当 Agent 少于 5 个、任务简单时，Supervisor-Worker 模式更合适。

与相关模式的对比

选择建议：Agent 多、任务复杂、需要审计链路 → 分层模式；Agent 少、任务明确 → Supervisor-Worker；强调平等讨论和自主协作 → 群聊模式。

常见误区

思考题

参考资料

1. Zhu, A., Dugan, L., & Callison-Burch, C. (2024). "ReDel: A Toolkit for LLM-Powered Recursive Multi-Agent Systems." EMNLP 2024 System Demonstrations. https://arxiv.org/abs/2408.02248
2. LangGraph 官方教程 - Hierarchical Agent Teams: https://langchain-ai.github.io/langgraph/tutorials/multi_agent/hierarchical_agent_teams/
3. LangGraph Supervisor 库（支持分层多 Agent）: https://github.com/langchain-ai/langgraph-supervisor-py
4. CrewAI 官方文档 - Processes: https://docs.crewai.com/concepts/processes
5. Zhang, Y. et al. (2024). "Exploration of LLM Multi-Agent Application Implementation Based on LangGraph+CrewAI." https://arxiv.org/abs/2411.18241