鸿蒙智能体开发实战:8.多Agent创建智能体

前言

在前面的文章中，我们介绍了**单Agent（LLM模式）**的创建和编排。然而，当业务逻辑变得复杂——需要同时处理用户管理、订单查询、物流追踪等多个子任务时，单Agent可能显得力不从心。多Agents模式正是为解决这类复杂场景而设计的。

多Agents模式将复杂任务拆解为多个独立子任务，每个子任务由一个Agent承担，各Agent配置独立的角色指令、插件与工作流。通过LLM作为任务规划中枢，实现动态调度和协同执行。

多Agents模式适用于逻辑复杂、业务多样性的场景，如智能客服平台（分流咨询/投诉/售后）、企业工作流自动化、多领域知识问答等。

一、鸿蒙智能体编排模式概览

1.1 六种编排模式

鸿蒙小艺开放平台提供了六种编排模式，适用于不同的业务场景：

1.2 多Agents的核心优势

多Agents模式相比其他模式，具有以下核心优势：

1. 任务分解：将复杂任务拆解为多个独立子任务，降低单个Agent的复杂度
2. 专业分工：每个Agent专注特定领域，配置专属指令和能力
3. 动态调度：LLM作为规划中枢，根据用户需求动态选择合适的Agent
4. 易于扩展：新增业务只需添加新的子Agent，不影响现有系统
5. 并行处理：多个Agent可以并行执行，提升处理效率

二、多Agents架构设计

2.1 架构模型

多Agents模式采用星型拓扑结构，以LLM为中央规划器：

                     ┌─────────────────┐
                     │   用户输入/查询   │
                     └────────┬────────┘
                              │
                     ┌────────▼────────┐
                     │  LLM 规划中枢    │
                     │ (任务分解与调度)  │
                     └────────┬────────┘
                              │
            ┌─────────────────┼─────────────────┐
            │                 │                 │
    ┌───────▼───────┐ ┌───────▼───────┐ ┌───────▼───────┐
    │  Agent A      │ │  Agent B      │ │  Agent C      │
    │ (订单查询)     │ │ (物流追踪)     │ │ (售后服务)     │
    │ 插件 + 知识库  │ │ 插件 + 工作流  │ │ 角色指令 + 插件│
    └───────┬───────┘ └───────┬───────┘ └───────┬───────┘
            │                 │                 │
            └─────────────────┼─────────────────┘
                              │
                     ┌────────▼────────┐
                     │   结果整合输出   │
                     └─────────────────┘

2.2 任务调度策略

LLM规划中枢采用以下调度策略：

1. 串行调度：按顺序依次调用子Agent，前一个结果作为后一个的上下文
2. 并行调度：同时调用多个不相关的子Agent，提升响应速度
3. 条件路由：根据用户输入的条件判断，选择特定的Agent执行
4. 动态规划：LLM根据任务需求动态决定调用哪些Agent

提示：合理设计子Agent的描述信息是关键——LLM会根据Agent的描述判断何时调用该Agent。

三、创建多Agents智能体

3.1 创建步骤

第一步：新建智能体

进入小艺开放平台，点击"新建智能体"，选择**"多Agents模式"**。

第二步：配置规划中枢

规划中枢的角色指令决定如何分解任务和调度子Agent：

你是一个智能客服的规划中枢。你需要根据用户的问题，选择合适的子Agent进行处理。

可用的子Agent：
1. 订单查询Agent - 负责查询用户的订单状态和详情
2. 物流追踪Agent - 负责追踪已发货订单的物流信息
3. 售后服务Agent - 负责处理退换货、退款等售后问题

调度规则：
- 当用户查询"我的订单"时，调用订单查询Agent
- 当用户查询"快递到哪里了"时，调用物流追踪Agent
- 当用户说"我要退货"时，调用售后服务Agent
- 当用户的问题涉及多个方面时，依次调用对应的Agent

第三步：创建子Agent

在多Agents模式下，每个子Agent都需要独立配置：

3.2 子Agent的角色指令编写

每个子Agent需要明确的角色定位和能力描述：

# 订单查询Agent
你是一个专业的订单查询助手。你的职责是：
1. 接收用户提供的订单号或手机号
2. 调用订单查询插件获取订单状态
3. 用友好的方式向用户展示订单信息

可用工具：
- get_order_by_id(orderId): 根据订单号查询订单
- get_orders_by_phone(phone): 根据手机号查询订单列表

注意：如果用户没有提供订单号或手机号，请先询问用户。

# 物流追踪Agent
你是一个物流查询助手。你的职责是：
1. 获取用户的订单号和物流公司
2. 调用物流插件查询物流轨迹
3. 展示最新的物流状态和预计送达时间

可用工具：
- track_logistics(orderId): 查询订单物流信息

3.3 模型选择和参数配置

在多Agents模式中，规划中枢和子Agent可以独立选择模型：

# 模型选择配置示例
planning_llm = {
    "model": "gpt-4o",  # 规划中枢建议使用强推理模型
    "temperature": 0.1,  # 低温度确保调度稳定性
    "top_p": 0.9,
    "context_window": 10  # 上下文轮数
}

sub_agent_llm = {
    "model": "gpt-4o-mini",  # 子Agent可使用轻量模型
    "temperature": 0.7,  # 稍高温度增加回复多样性
    "top_p": 0.95,
    "context_window": 5
}

模型参数说明：

四、多Agent协同工作流

4.1 串行协同模式

适用于流程化业务，一个Agent的输出作为下一个Agent的输入：

# 串行协同示例：订单处理流程
async def process_order_serial(user_input: str):
    # Agent 1: 意图识别
    intent = await intent_agent.analyze(user_input)
    
    # Agent 2: 订单查询
    if intent == "query_order":
        order_info = await order_agent.query(user_input)
        
        # Agent 3: 状态判断
        if order_info["status"] == "shipped":
            logistics = await logistics_agent.track(order_info["order_id"])
            return format_response(order_info, logistics)
        else:
            return format_response(order_info)
    
    # Agent 4: 售后服务
    elif intent == "after_sale":
        result = await after_sale_agent.handle(user_input)
        return format_response(result)

4.2 并行协同模式

适用于信息聚合场景，多个Agent同时处理：

# 并行协同示例：用户综合信息查询
import asyncio

async def query_user_comprehensive_info(user_id: str):
    # 并行查询多个维度的信息
    tasks = [
        user_agent.get_profile(user_id),
        order_agent.get_recent_orders(user_id),
        coupon_agent.get_available_coupons(user_id),
        point_agent.get_user_points(user_id)
    ]
    
    results = await asyncio.gather(*tasks)
    
    return {
        "profile": results[0],
        "recent_orders": results[1],
        "coupons": results[2],
        "points": results[3]
    }

4.3 条件路由模式

适用于分支决策场景：

# 条件路由示例
async def route_by_condition(user_input: str):
    # LLM分析用户意图
    analysis = await planning_llm.analyze_intent(user_input)
    
    # 条件路由
    if analysis["urgency"] == "high":
        # 紧急问题交给VIP Agent
        return await vip_agent.handle(user_input)
    elif analysis["category"] == "technical":
        # 技术问题交给技术Agent
        return await tech_agent.handle(user_input)
    elif analysis["category"] == "billing":
        # 账单问题交给财务Agent
        return await billing_agent.handle(user_input)
    else:
        # 其他问题交给通用Agent
        return await general_agent.handle(user_input)

五、多Agent与插件、工作流集成

5.1 插件集成

每个子Agent可以绑定独立的插件集：

5.2 工作流集成

对于复杂的业务流程，子Agent可以绑定工作流：

售后处理工作流:
  开始节点:
    - 输入: 用户ID、订单ID、售后类型
  
  选择器节点:
    - 条件: 售后类型 == "退货"
      执行: 退货处理子流程
    - 条件: 售后类型 == "换货"
      执行: 换货处理子流程
    - 默认: 转人工客服
  
  结束节点:
    - 输出: 处理结果、预计处理时间

六、多Agent调试与优化

6.1 调试技巧

1. 逐一测试子Agent：先单独测试每个子Agent的功能是否正常
2. 检查路由逻辑：验证LLM规划中枢是否正确调用了子Agent
3. 监控上下文传递：确保信息在Agent之间正确传递
4. 性能测试：关注串行/并行调用的响应时间

6.2 优化策略

常见优化策略：

1. 精简角色指令：每个Agent的角色指令要简洁明确，避免信息过载
2. 合理设置模型参数：规划中枢用低Temperature，子Agent用适当Temperature
3. 增加Agent超时机制：避免单个Agent阻塞整个流程
4. 缓存高频查询结果：对常见问题进行缓存，提升响应速度

提示：多Agents模式建议先以2-3个子Agent起步，验证效果后再逐步扩展。

七、多Agent vs 其他模式对比

7.1 模式选择决策表

7.2 多Agents适用场景

多Agents模式最适合以下场景：

1. 智能客服系统：分流售前、售中、售后不同业务
2. 企业内部助手：整合HR、IT、财务等部门服务
3. 多领域知识问答：覆盖技术、产品、政策等多个领域
4. 复杂业务处理：涉及多个系统、多个步骤的业务流程

八、多Agents 实战案例

8.1 案例背景

假设我们要构建一个电商智能客服，需要同时处理订单查询、物流追踪和售后服务。使用多Agents模式，可以为每个子任务配置专属 Agent。

多Agents架构如下图所示：

8.2 智能体配置入口

在小艺开放平台创建多Agents智能体时，基础信息配置页面如下：

完成基础信息填写后，选择多Agents模式，并配置规划中枢和子Agent：

8.3 核心配置代码

以下是一个简化的规划中枢 Prompt 配置：

你是电商客服系统的规划中枢。请根据用户问题，选择以下子Agent处理：
1. 订单查询Agent：处理"我的订单"相关问题
2. 物流追踪Agent：处理"快递到哪里了"相关问题
3. 售后服务Agent：处理"我要退货/换货"相关问题

如果问题涉及多个方面，请依次调用对应Agent并整合结果。

8.4 接入建议

1. 先以 2-3 个子Agent 验证流程闭环
2. 为每个子Agent 编写清晰的角色描述
3. 在规划中枢中明确调度规则和边界条件

参考：LangGraph Multi-Agent 工作流^[1] 提供了类似的图调度思路。

总结

本文详细介绍了多Agents模式智能体的创建和编排：

1. 模式概览：鸿蒙六种编排模式的差异对比
2. 架构设计：LLM规划中枢 + 子Agent的星型拓扑结构
3. 创建流程：从规划中枢配置到子Agent创建的完整步骤
4. 协同工作流：串行、并行、条件路由三种协同模式
5. 集成调试：与插件、工作流的集成以及调试优化策略

多Agents模式是处理复杂业务场景的利器，通过合理的任务分解和Agent编排，可以构建出强大而灵活的智能体应用。下一篇文章将介绍OpenClaw模式的智能体创建。

如果这篇文章对你有帮助，欢迎点赞👍、收藏⭐、关注🔔，你的支持是我持续创作的动力！

相关资源：

• 小艺开放平台 - 创建智能体^[2]
• 鸿蒙智能体编排模式说明 - 华为开发者联盟^[3]
• 模型选择与角色指令 - 华为开发者联盟^[4]
• 插件开发指南 - 华为开发者联盟^[5]
• 工作流开发指南 - 华为开发者联盟^[6]
• OpenAI Function Calling 文档^[7]
• LangChain Multi-Agent 架构^[8]
• LangGraph Multi-Agent 工作流^[9]

引用链接