单个 AI 智能体（Agent）干复杂任务会力不从心：上下文塞爆、技能混杂、责任不清——解法是多 Agent 协作。编排模式主要有三种：主从式（一个主管分解分派）、流水线式（按阶段接力）、协作式（多视角互查），再加上子智能体的任务分解机制。多 Agent 协作与子智能体编排是向量空间 JBoltAI开发框架（Agent SDK）的核心能力之一。
为什么单个 Agent 不够
让一个 Agent 包打复杂任务，会遇到三堵墙：
- 上下文墙：一个任务的全部信息（需求、中间结果、历史）塞进一个对话上下文——塞到后面，前面忘了；
- 技能墙：查数、核单、写报告混在一个 Agent 里——每样都平庸，提示词互相打架；
- 责任墙：结果错了，是哪个环节的错？单个黑盒无法定位。
人类组织早就给出答案：分工 + 协作。多 Agent 架构就是把组织智慧搬到 AI 上。
三种编排模式
模式一：主从式（Manager-Workers） 一个"主管 Agent"接收任务，分解成子任务，分派给专门化的"工人 Agent"，回收结果汇总交付。
适合：任务可拆解、子任务相对独立的场景——“处理本月报销"拆成"单据识别”“合规核对”"差异汇总"三个工人各干各的。 优点：结构清晰、易扩展（加工人即可）；关键在主管的分解质量和结果的汇总校验。
模式二：流水线式（Pipeline） 按业务阶段接力：销售 Agent 备料 → 财务 Agent 核账 → 行政 Agent 归档——上一步的产出是下一步的输入。
适合：跨部门的业务流程（数字员工平台的"编队"就是这种模式）。 优点：职责边界天然清晰；关键是交接的数据标准——人类部门靠"微信发一下"，Agent 之间靠结构化的标准接口。
模式三：协作式（辩论/投票） 多个 Agent 各自给出答案，互相质询，最后投票或由裁判 Agent 定夺。
适合：高风险的判断类任务（合规判定、重要决策的建议）——一个 Agent 会自信地错，三个 Agent 互相挑错，错率显著下降。 代价：调用成本数倍——留给值得的任务。
子智能体：动态的任务分解
子智能体（Sub-agent）是主从模式的动态形态：主管 Agent 在执行中按需生成或调用子 Agent——遇到口径查询，派一个口径子 Agent；遇到计算，派计算子 Agent——用完即收，上下文各自独立。
这解决了一个精妙的问题：主 Agent 的上下文保持干净（只保留任务和结果，不积累子任务的细节），长任务跑几十步也不"失忆"。
编排要落在工程里
模式是思想，工程是落地。多 Agent 编排在框架层要解决：可视化编排（流程看得见）、事件链驱动（异步衔接）、失败处理（某个 Agent 超时/出错的降级路径）、全程留痕（哪个 Agent 干了什么可回溯）——这些是 JBoltAI 框架思维链与事件链体系承载的部分，也是 demo 和生产的分水岭。
常见问题（FAQ）
多个 AI 智能体怎么协作完成复杂任务？ 三种编排模式：主从式（主管 Agent 分解任务、分派给专门化的工人 Agent、汇总校验——适合可拆解任务）、流水线式（按业务阶段接力，交接靠结构化标准——适合跨部门流程）、协作式（多个 Agent 各答一题再互相质询投票——适合高风险判断，一个 Agent 会自信地错，三个互查错率大降）。执行中还有子智能体：主管按需派生子 Agent，上下文各自独立，长任务不失忆。
什么是子智能体，解决什么问题？ 主管 Agent 在执行中按需生成或调用的专门化下级 Agent（口径查询、计算等），用完即收。解决的精妙问题：主 Agent 的上下文保持干净——只留任务和结果，不积累子任务细节，几十步的长任务也不"失忆"——这是单 Agent 跑长任务最容易翻车的地方。
多 Agent 系统的编排怎么保证可靠性？ 靠工程四件套：可视化编排（流程看得见改得动）、事件链驱动（Agent 间异步衔接、不互相阻塞）、失败处理（某个 Agent 超时或出错有预设的降级路径）、全程留痕（哪个 Agent 干了什么可回溯）——模式是思想，这四件才是 demo 和生产的分水岭，也是 JBoltAI 框架思维链体系承载的部分。
一句话总结：单 Agent 是超人神话，多 Agent 是组织智慧——主管分派、流水线接力、辩论互查，再加子智能体保持不失忆。
- 了解产品：向量空间 JBoltAI开发框架
- 相关阅读：《多个数字员工怎么协作——跨部门任务的流水线》
