Multi-Agent 架構模式詳解:Supervisor、Handoff、Router、Skills 四種模式比較

Multi-Agent 不是「找 N 個 LLM 一起跑」的單一概念。常見的分類整理出四種模式,各自合適不同問題。本文拆解 Supervisor、Handoffs、Router、Skills 四種模式的核心特徵、運作流程、優缺點與 Token 成本,並提供選擇決策框架。

快速概覽:四種模式 + 選擇決策

真實系統常常混合使用:一個 Supervisor 底下,每個 Subagent 本身可能又是 Skills 模式。對應到 Claude Code,就是 Subagents(用 Agent tool 指定 subagent_type)和 Skills(用 Skill tool 動態載入 .md)兩種模式並存。

從核心特徵來看,四種模式在狀態管理與執行方式上有明顯差異:

模式一:Subagents (Supervisor 模式)

也稱:Hierarchical、Orchestrator-Workers、Manager-Worker。

架構圖

flowchart TD
  U[用戶] --> S[Supervisor]
  S --> A[Sub A] & B[Sub B] & C[Sub C]
  A & B & C -.彙整.-> S

中心化編排:所有請求經過 Supervisor 分派給 Sub Agents,Sub Agents 各自獨立執行後將結果回報,由 Supervisor 彙整成最終結果。

核心特徵

運作流程

def subagents_architecture(task):
    # 1. Supervisor 接收任務
    supervisor_context = {"task": task, "history": []}

    # 2. Supervisor 分解任務並分派
    subtasks = supervisor_agent.plan(task)

    results = []
    for subtask in subtasks:
        # 3. 調用 Sub Agent（可並行）
        result = subagent.execute(
            task=subtask,
            context={}  # 無狀態,每次新鮮開始
        )
        results.append(result)

    # 4. Supervisor 彙整結果
    final = supervisor_agent.synthesize(results)
    return final

優缺點

效能數據

適用場景

• 個人助理(協調日曆、郵件、CRM)
• 研究系統(分派給領域專家)
• 複雜編碼任務(多文件修改)
• 需要平行執行的多領域查詢

實作範例

from langchain.agents import create_supervisor_agent, create_subagent

# Supervisor
supervisor = create_supervisor_agent(
    model="claude-sonnet-4",
    subagents=["researcher", "coder", "reviewer"]
)

# Sub Agents（無狀態）
researcher = create_subagent(
    model="claude-haiku",
    system_prompt="You are a research specialist...",
    tools=[search_tool]
)

# 執行
response = supervisor.invoke({
    "input": "Research quantum computing and write a summary"
})

模式二:Handoffs (對等轉移模式)

也稱:Peer-to-Peer、State-Driven Transitions、Relay。

架構圖

flowchart TD
  U[用戶] --> A[Agent A]
  A -->|handoff| B[Agent B]
  B -->|handoff| C[Agent C]
  B --> U2[用戶]
  C --> U3[用戶]

對等架構:所有 Agents 地位平等,當下只有一位 Agent 活躍。Handoff 時將累積的上下文狀態傳遞給下一位 Agent,活躍的 Agent 可直接與用戶對話。

核心特徵

運作流程

def handoffs_architecture(task):
    # 1. 初始 Agent 接收
    state = {
        "current_agent": "agent_a",
        "context": {"task": task, "history": []},
        "preconditions": {}
    }

    while not is_complete(state):
        # 2. 當前 Agent 處理
        current_agent = get_agent(state["current_agent"])
        result = current_agent.process(state["context"])

        # 3. 決定是否 Handoff
        if result.needs_handoff:
            # 4. 狀態轉移（關鍵：context 保留）
            state["current_agent"] = result.next_agent
            state["context"]["history"].append(result.summary)
            state["preconditions"].update(result.preconditions)
        else:
            state["context"]["history"].append(result)

    return state["context"]["history"]

優缺點

效能數據

適用場景

• 客服流程(分段收集資訊)
• 多階段對話體驗
• 需要前置條件的工作流
• 諮詢→執行→驗證的序列任務

模式三:Router (並行分派模式)

也稱:Parallel Dispatch、Query Decomposition。

架構圖

flowchart TD
  U[用戶] --> R[Router]
  R --> A[Agent A] & B[Agent B] & C[Agent C]
  A & B & C --> SY[Synthesizer]
  SY --> U2[用戶]

查詢分解:Router 將任務拆成多個子查詢,並行分派給專精的 Agents,最後由獨立的 Synthesizer 組件負責彙整結果。每次請求獨立處理,無狀態。

核心特徵

運作流程

def router_architecture(task):
    # 1. Router 分類/分解查詢
    sub_queries = router.decompose(task)
    # 輸出：[{"domain": "python", "query": "..."}, ...]

    # 2. 並行調用 specialized agents
    results = parallel_map(
        lambda q: get_agent(q["domain"]).execute(q["query"]),
        sub_queries
    )

    # 3. Synthesizer 彙整
    final = synthesizer.combine(results)
    return final

優缺點

效能數據

適用場景

• 企業知識庫(多來源查詢)
• 多垂直客服助理
• 需要跨來源合成的研究任務
• 一次性查詢(非對話式)

模式四:Skills (技能加載模式)

也稱:Progressive Disclosure、Quasi-Multi-Agent。

架構圖

flowchart TD
  U[用戶] <--> SA[Single Agent]
  SA -.load.-> K1[Skill A] & K2[Skill B] & K3[Skill C]

本質上是單一 Agent,啟動時只知道 Skill 名稱與描述,按需動態加載專精的 prompt。加載後的 Skill 內容會保留在對話歷史中累積。

核心特徵

運作流程

def skills_architecture(task):
    # 1. Agent 啟動時只知道 Skill 名稱/描述
    agent_context = {
        "skills": [
            {"name": "sql_expert", "description": "SQL query specialist"},
            {"name": "data_viz", "description": "Visualization expert"}
        ]
    }

    # 2. 判斷需要哪個 Skill
    if needs_skill(task, "sql_expert"):
        # 3. 動態加載完整 Skill context
        skill_context = load_skill("sql_expert")
        agent_context["history"].append(skill_context)

    # 4. 執行（上下文已累積）
    return agent.process(task, agent_context)

優缺點

效能數據

決策框架

根據需求選擇模式

五維度評估矩陣

Swarm 架構補充

Swarm 概念來自 OpenAI 早期實驗加上學術研究,強調去中心化協作。

Swarm vs 傳統 Multi-Agent

Swarm 關鍵特徵

1. 去中心化控制:無 Supervisor,決策分散
2. 共享黑板:Agents 通過共享工作區協作
3. 湧現行為:整體行為從局部互動湧現
4. 動態角色:Agents 可動態切換角色

Swarm 適用場景

• 開放式探索任務
• 創意發想/腦力激盪
• 研究問題(無明確答案)
• 需要多樣視角的複雜問題

實作建議

何時升級到 Multi-Agent

當單一 Agent 遇到以下限制時,可考慮升級:

• Context Window 不足 → 上下文隔離:Subagents / Router
• 團隊協作需求 → 明確邊界:Subagents / Skills
• 複雜任務分解 → 動態規劃:Subagents
• 多階段對話 → 狀態轉移:Handoffs
• 多來源查詢 → 平行執行:Router / Subagents

效能優化建議

參考文獻