Phase 16: Multi-Agent & Swarms

多代理原始模型

四个原始,再也没有什么代理,交付,共享状态,管弦仪跨越四维设计空间, 2026年主要的多代理框架 (AutoGen,LangGraph,CrewAI,OpenAI Agents SDK,Microsoft Agent Framework) 是其中的点. 这一课将它们从零构建,运行一个玩具系统,然后将每个主要框架映射到同一轴上,

Type: Learn

Languages: Python (stdlib)

Prerequisites: Phase 14 (Agent Engineering), Phase 16 · 01 (Why Multi-Agent)

Time: ~60 minutes

问题

每六个月就会出发一个新的多代理框架. 2023年AutoGen. 2024年CrewAI. 2024年LangGraph和OpenAI Swarm. 2025年4月Google ADK. 2026年2月微软代理框架RC.每份新闻稿都声称是"正确的抽象".

如果你试图一次学习它们,你会被烧毁.API看起来不同.文件不同意"代理"是什么.一个框架称共享内存为"黑板",另一个称之为"消息池",第三个称之为"状态图".你开始怀疑该领域只是.

没有.在营销下,四个原始的稳定. 一次学习它们,在一段落中阅读每一个新的框架.

概念

它们是四个原始的.

Agent系统提示加上工具列表.无状态;每次运行都从系统提示和当前消息历史开始.
Handoff从一个代理转移到另一个机械上,一个工具调用,返回一个新的代理或一个条件后面的图边.
Shared state任何数据结构,可以读取 (有时写入) 超过一个代理. 信息池,黑板,键值存储,矢量内存.
Orchestrator选择:明确图表 (定决),LLM演讲者选择器 (软),最后演讲者传递呼叫 (OpenAI Swarm),或排队时间表 (swarm架构).

每个框架都选择每个轴的默认设置,其余部分是表面语法.

如何每一个2026年框架都将其映射到

Framework	Agent	Handoff	Shared state	Orchestrator
OpenAI Swarm / Agents SDK	`Agent(instructions, tools)`	tool returns Agent	caller's problem	the LLM's next handoff call
AutoGen v0.4 / AG2	`ConversableAgent`	speaker-selector on GroupChat	message pool	selector function (LLM or round-robin)
CrewAI	`Agent(role, goal, backstory)`	`Process.Sequential / Hierarchical`	Task outputs chained	manager LLM or static order
LangGraph	node function	graph edge + condition	`StateGraph` reducer	the graph, deterministic
Microsoft Agent Framework	agent + orchestration patterns	pattern-specific	thread / context	pattern-specific
Google ADK	agent + A2A card	A2A task	A2A artifacts	host decides

表面的差异看起来很大,下面:相同的四个扣.

为什么这很重要

一旦你看到原始的,框架比较变成一个简短的检查列表:

调整者是否信任LLM进行路由 (Swarm) 或是将路由编码 (LangGraph)?
共有状态是完整的历史 (GroupChat) 或预测 (StateGraph减小器)?
机关可以修改彼此的提示 (CrewAI管理员) 或只交手 (Swarm)?

你停止购买"最好的多代理框架",开始为你真正关心的轴设计.

无国无国的洞察力

任何原始除了共享状态之外都是无状态的. 代理是函数 (提示,工具). 交付是函数调用. 管弦仪是调度器. The only stateful thing in the system is shared state.这就是所有有趣的错误的所在:记忆中毒 (课15),消息订单,版本编辑,写作纠纷.

隐藏共享状态的框架 (Swarm) 将问题推向调用者. 集中它的框架 (LangGraph检查点,AutoGen池) 使其可检查,但将协调成本转移到共享状态实现.

单一原始人的解剖学

#### 代理

Agent = (system_prompt, tools, model, optional_name)

没有记忆,没有状态,两个具有相同的系统提示和工具的代理人是可替换的,一切看起来像每个代理状态的实际状态是共享状态或交付协议.

#### 交付

Handoff = (from_agent, to_agent, reason, payload)

实施的三个主导:

Function return工具返回下一个代理.这是OpenAI群体模式.代理在工具方案中携带路由.
Graph edge 兰格拉夫.边缘是声明性的.LLM产生一个值;一个条件选择下一个节点.
Speaker selection AutoGen GroupChat. 选号函数 (有时本身就是一个LLM调用) 阅读游泳池并选择接下来说谁.

#### 共同国家

SharedState = { messages: [], artifacts: {}, context: {} }

最少是信息列表.通常更多的是:结构化文物 (CrewAI任务输出),输入文本 (长度图减小器),外部内存 (MCP,向量DB).

两个拓:full pool(每个代理都看到每一个消息)projected预测的池是规模化的,但需要先前的方案设计.

#### 乐团主持人

Orchestrator = ({state, last_speaker}) -> next_agent

它们有四种味道:

Static图是在构建时间 (长图确定性, CrewAI序列) 固定.
LLM-selected一个法学士读出游泳池,然后选择下一个讲者 (AutoGen, CrewAI等级).
Handoff-driven当前代理通过调用交付工具 (Swarm) 决定.
Queue-driven从共享队列中拉出工人;没有明确的下一个扬声器 (群众架构,矩阵).

框架之间的变化

一旦原始的定位,剩下的设计决定是:

Memory strategy短暂对耐用检查点 (长图检查点).
Safety boundary可以批准转让 (人在循环中).
Cost accounting每位代理的代币预算.
Observability追踪传递,持续状态重播.

它们都可在原始上实现.

建立它

code/main.py执行四个原始在约150行的Stdlib Python. 没有真正的LLM每个代理都是一个脚本的政策,所以重点仍然是协调结构.

文件出口:

Agent一个数据类名称,系统提示,工具,政策功能.
Handoff一个返回新代理的函数.
SharedState一个安全的线程信息池.
Orchestrator三个变体:StaticOrchestrator现在HandoffOrchestrator现在LLMSelectorOrchestrator它们是的.

演示程序通过三个管弦组类型运行相同的三位代理管道 (搜索 →写 → 审查) 并在最后打印了消息池.你可以看到输出仅在 谁选择下一个 中不同; 代理和共享状态在运行中相同.

运行它:

python3 code/main.py

预期输出:三个管弦乐器运行,每一个模式.每个打印最后的消息池.如果研究人员决定提前完成,转发运行会达到较少的代理人.

用它

outputs/skill-primitive-mapper.md通过使用一个新框架版本运行它,才能在阅读文件之前获得一段落的理解.

运送它

在采用新框架之前,请为它写原始地图.如果您无法,则文件是不完整的,或者框架正在发明第五个原始 (罕见的查找您未见的共享状态口味).

编写地图在您的架构文档中.当新团队成员加入时,请在API文档之前发送地图.当框架版本发生变化时,将地图区分,而不是变更日志.

运动

跑步code/main.py观察主管如何改变哪些代理运行.
执行第四种管弦乐器类型:排队驱动的, 代理人投票分享工作状态.
通过LangGraph快速启动 (https://docs.langchain.com/oss/python/langgraph/workflows-agents拉格拉夫的抽象图 1:1中的哪个是便利包装?
阅读OpenAI群群的厨师书 (https://developers.openai.com/cookbook/examples/orchestrating_agents确定Swarm最具工作效能的四种原始物种,
在这个表中找到一个完全隐藏共享状态的框架. 解释什么是打断的,当代理人需要在传递中协调,而不需要重新阅读历史.

关键词

Term	What people say	What it actually means
Agent	"An LLM with tools"	A `(system_prompt, tools, model)` triple. Stateless.
Handoff	"Transfer of control"	A structured call that names the next agent and optional payload. Three implementations: function return, graph edge, speaker selection.
Shared state	"Memory" / "context"	The only stateful part of a multi-agent system. Message pool or blackboard.
Orchestrator	"Coordinator"	Whoever decides who runs next. Static graph, LLM selector, handoff-driven, or queue-driven.
Primitive	"Abstraction"	One of the four axes every framework parameterizes. Not a framework feature.
Message pool	"Shared chat history"	Full-history shared state. Easy to reason about, scales badly.
Projected state	"Scoped view"	Role-specific view into shared state. Scales, requires schema design.
Speaker selection	"Who talks next"	Orchestrator pattern where a function (often an LLM) picks the next agent from a group.

进一步阅读

OpenAI cookbook: Orchestrating Agents — Routines and Handoffs最清楚的交付驱动的管弦乐
AutoGen stable docs集团聊天+演讲者选择是LLM选择的管弦乐队的参考
LangGraph workflows and agents图边管弦和基于减小器的共享状态
CrewAI introduction角色目标背景经纪人,序列/层次流程
AG2 (community AutoGen continuation)微软将0.4转移到维护后的AutoGen v0.2直播线

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.