谷歌近期发布了一份指南，详细介绍了多智能体系统（Multi-Agent Systems, MAS）的八种核心设计模式，涵盖从顺序流水线到人工介入（human-in-the-loop）架构等多种范式。该指南不仅对每种模式都提供了清晰的解释，还附带了使用谷歌 Agent Development Kit（ADK）实现的示例代码。
谷歌指出，构建复杂且可扩展的智能体应用需要采用与其他软件系统相同的工程化方法，因为依赖单一实体会形成性能瓶颈，并使调试变得非常困难。
可靠性来源于去中心化与专业化。多智能体系统（Multi-Agent Systems,MAS）相当于 AI 领域的微服务架构。通过为各个智能体分配特定角色（比如，解析器、评判器、调度器），开发者可以构建出天然更具模块化、可测试性和可靠性的系统。
基于 ADK 提供的三种基础执行模式,即顺序（sequential）、循环（loop）和并行（parallel），谷歌归纳出八种基本架构（或称为“模式”），帮助开发者以结构化方式设计多智能体系统。
顺序流水线（Sequential Pipeline）是最简单的模式，智能体像装配线一样依次处理任务，每个智能体将其输出传递给下一个智能体。谷歌表示，这种模式“线性、确定性强，并且调试起来非常直观，因为你能够始终清楚数据来自何处”。
协调器/分发器（Coordinator/Dispatcher）模式是顺序流水线的一种变体，其中一个智能体作为决策者，接收请求并将其分派给下游的专用智能体。
并行扇出/聚合（Parallel Fan-out/Gather）模式在多个智能体同时执行各自职责时非常有用。例如，在审查 PR 代码的场景中，主智能体可并行启动多个子智能体分别处理代码风格检查、安全审计和性能分析。随后，一个合成器（synthesizer）智能体汇总所有输出，决定批准或拒绝该 PR。
层次分解（Hierarchical Decomposition）模式适用于更复杂的场景，高层智能体将复杂的目标拆解为子任务，并委派给其他智能体执行。
生成器与评判器（Generator and Critic）模式在输出可靠性至关重要的情况下使用，其中一个智能体负责生成内容，另一个智能体负责验证，并且可选择性地提供反馈，促使生成器迭代优化其输出。
迭代精进（Iterative Refinement）模式是“生成器与评判器”模式的泛化形式，生成器的输出被送入评判器（critique）和精进器（refiner）智能体，二者协同工作，多次迭代以持续改进原始输出。
人工介入（Human-in-the-Loop）适用于具有不可逆后果或高风险的决策场景（比如，金融交易、生产环境部署、敏感数据操作）。此时，一个审批工具（approval tool）智能体会在必要时暂停执行，等待人工审核者批准或否决建议的操作。
复合模式（Composite Pattern）允许组合上述任意多种模式。例如，使用协调器路由请求、并行智能体加速处理，再结合生成器/评判器循环确保输出的质量。
正如指南所述，谷歌为每种模式都提供了详细的架构图和ADK代码片段，请参阅该文档以获取更多细节。
此外，如果想要了解其他使用 ADK 构建多智能体系统的思路，请参考Hangsik Shin撰写的指南。
原文链接：
