03-5 Multi-Agent：多 Agent 协作
这一章讲：怎么让多个 hermes Agent 分工协作完成复杂任务。
为什么要 Multi-Agent
单个 Agent 的瓶颈：
- 上下文窗口有限（128k 也会爆）
- LLM 在"决策 + 执行 + 总结"全混一起时容易乱
- 一次请求过长 = 慢 + 贵
Multi-Agent 的优势：
- 拆分任务 → 每个子 Agent 专注一块
- 并行执行 → 总耗时缩短
- 角色化 → "审稿 Agent" 比"啥都干 Agent" 更准
三种协作模式
模式 1：Pipeline（流水线）
Agent A (调研) → Agent B (起草) → Agent C (审稿) → Agent D (发布)每个 Agent 输出 = 下一个 Agent 输入。
模式 2：Fan-out（并行扇出）
┌→ Agent B (中文版)
Agent A (规划) ─┼→ Agent C (英文版)
└→ Agent D (日文版)
→ Agent E (汇总三个版本) →主 Agent 拆任务，并行让多个 worker 跑，最后合并。
模式 3：Critic-Worker（审-改）
Agent W (写) → Agent C (评) → Agent W (改) → Agent C (评) → ... → 通过一个 Agent 写，另一个 Agent 评，循环直到满意。
hermes 实现 Multi-Agent
配置
~/.u-hermes/data/agents.yaml：
yaml
agents:
planner:
role: "任务规划师"
provider: anthropic
model: claude-sonnet-4-5
system_prompt: |
你是任务规划师。把复杂任务拆成可并行执行的子任务。
输出 JSON 格式：[{agent: "name", task: "..."}]
tools: [] # 规划师不需工具
researcher:
role: "研究员"
provider: deepseek
model: deepseek-chat
system_prompt: |
你是研究员。给定主题，用 web_search / web_fetch 找资料并总结。
tools: [web_search, web_fetch]
writer:
role: "作家"
provider: anthropic
model: claude-sonnet-4-5
system_prompt: |
你是中文作家。基于研究员给的素材，写成结构化文章。
tools: [file_write]
critic:
role: "审稿人"
provider: anthropic
model: claude-sonnet-4-5
system_prompt: |
你是严苛的审稿人。挑文章的事实错误、逻辑漏洞、文风问题。
输出 JSON：{ok: bool, issues: [...]}
tools: []调用
python
# Python API
from hermes import MultiAgent
ma = MultiAgent(config_path="~/.u-hermes/data/agents.yaml")
result = ma.run_pipeline([
("planner", "为公众号写一篇 2000 字的'AI Agent 入门'"),
("researcher", "{plan.research_topic}"),
("writer", "基于 {researcher.output} 写文章"),
("critic", "{writer.output}"),
])
print(result.final)命令行用法
bash
hermes multi-agent run \
--workflow article-pipeline.yaml \
--input "为公众号写一篇 2000 字的'AI Agent 入门'"article-pipeline.yaml：
yaml
workflow:
steps:
- name: plan
agent: planner
input: "{{ input }}"
- name: research
agent: researcher
input: "{{ plan.output.research_topic }}"
- name: write
agent: writer
input: "{{ research.output }}"
- name: review
agent: critic
input: "{{ write.output }}"
retry_until: "output.ok == true"
max_retries: 3实战案例：自动写文章
┌──────────────────────────────────────────────────┐
│ 用户输入: "写一篇关于 hermes Cron 的入门文" │
│ ↓ │
│ Planner Agent (Claude Sonnet) │
│ ↓ 输出 JSON 计划 │
│ { │
│ "research_topics": [ │
│ "Cron 表达式语法", │
│ "hermes cron 配置", │
│ "5 个真实用例" │
│ ] │
│ } │
│ ↓ │
│ Researcher Agent × 3 (DeepSeek，并行) │
│ ↓ 三份素材 │
│ Writer Agent (Claude Sonnet) │
│ ↓ 草稿 v1 │
│ Critic Agent (Claude Sonnet) │
│ ↓ "事实错误 3 处，逻辑跳跃 2 处" │
│ Writer Agent (拿到反馈再写) │
│ ↓ 草稿 v2 │
│ Critic Agent │
│ ↓ "OK" │
│ 最终文章 │
└──────────────────────────────────────────────────┘性能对比
| 方案 | 总耗时 | 总成本 | 文章质量 |
|---|---|---|---|
| 单 Agent (Claude) 一把梭 | 90 秒 | $0.45 | 中 |
| Multi-Agent (上图) | 60 秒 | $0.30 | 高 |
并行 + 角色专注 = 快又好。
角色设计原则
1. 单一职责
❌ 错的：
yaml
do_everything_agent:
system_prompt: "你能做研究、写作、审稿、发布..."✅ 对的：
yaml
researcher: "只做研究"
writer: "只写作"
critic: "只审稿"每个 Agent 的 system prompt 应该 < 500 字，超过就该拆。
2. 输入输出格式化
每个 Agent 的输出最好是 JSON，下一个 Agent 直接消费：
yaml
planner:
output_schema:
type: object
properties:
research_topics:
type: array
items:
type: string
target_length:
type: integer避免上一个 Agent 输出散文，下一个再 LLM 解析。
3. 模型 / 价格分级
yaml
# 难任务用强模型
planner: claude-sonnet-4-5 # 规划要思考
critic: claude-sonnet-4-5 # 评论要严谨
# 简单任务用便宜模型
researcher: deepseek-chat # 检索 + 总结，DeepSeek 够
formatter: deepseek-chat # 格式化，简单任务反模式（不要这样）
❌ Multi-Agent 用在简单任务
如果任务一个 Agent 能干完，不要强行拆。Multi-Agent 有协调成本，简单任务反而更慢。
❌ 死循环
Critic: "改"
Writer: 改
Critic: "再改"
Writer: 再改
... (循环)必须设 max_retries。
❌ Agent 之间转发太多
A → B → C → D → E ...每次 Agent 间转发都是一次 LLM 调用。3 个 Agent 是甜蜜点，超过 5 个该重新设计。
❌ 共享状态混乱
不要让多个 Agent 同时写同一个 Memory key，会乱。让 Planner / Coordinator 集中写。
进阶：Agent 之间用 MCP 通信
把每个 Agent 包成 MCP Server，互相调用：
yaml
# Researcher Agent 暴露成 MCP
mcp_servers:
researcher:
type: hermes-agent
config: agents.researcherWriter Agent 调用：
python
# Writer 的 system prompt
"""
你可以调用工具 researcher.search(topic) 来获取资料。
"""Writer 决策时会自动调 researcher MCP，不需要硬编码。
团队场景：每人一个 Agent
yaml
agents:
alice_pa:
role: "Alice 的私人助理"
memory_namespace: alice
tools: [calendar, email, todo]
bob_pa:
role: "Bob 的私人助理"
memory_namespace: bob
tools: [calendar, email, todo]
team_coordinator:
role: "团队协调员"
can_delegate_to: [alice_pa, bob_pa]
memory_namespace: team> 协调员，下周一找时间开会，alice 和 bob 都要在
[coordinator 调 alice_pa.find_free_slots(下周)]
[coordinator 调 bob_pa.find_free_slots(下周)]
[coordinator 找交集]
[coordinator 调 alice_pa.book + bob_pa.book]
✓ 已约：下周一 14:00-15:00调试
bash
hermes multi-agent debug --workflow article-pipeline.yaml
# 输出每个 Agent 的输入/输出/耗时/成本可视化（实验性）：
bash
hermes multi-agent visualize --workflow article-pipeline.yaml
# 生成 mermaid 流程图