【Agent】Agent编排相关论文

相关论文

下面挑的是几篇最适合用来理解「Agent 编排」的代表性论文。它们不一定都直接使用 orchestration 这个词，但都对应了实际系统里最常见的编排范式。

1. ReAct: Synergizing Reasoning and Acting in Language Models

• 链接: https://arxiv.org/abs/2210.03629
• 关键词: 单 Agent、推理-行动交错、工具调用、循环编排
• 核心实现:
  • Agent 以 Thought -> Action -> Observation 的循环工作。
  • Thought 负责内部规划与拆解，Action 负责调用外部环境或工具，Observation 把工具反馈写回上下文。
  • 整体是最经典的单 Agent 闭环编排结构，本质上是一个“状态机 + 工具反馈回路”。
• 论文重点:
  • 证明了推理和行动交替执行，比纯 CoT 或纯 Act 更稳。
  • 特别适合需要搜索、检索、调用 API、与环境多轮交互的任务。
• 对编排的启发:
  • 即使只有一个 Agent，编排方式也会极大影响效果。
  • 单 Agent 不是“无编排”，而是把编排内化进 Agent 的 prompt loop 中。

2. Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models

• 链接: https://arxiv.org/abs/2305.04091
• 关键词: 先规划后执行、串行流水线、显式 plan
• 核心实现:
  • 把任务拆成两个阶段: Plan 和 Solve。
  • 第一阶段先要求模型列步骤，第二阶段再按步骤求解。
  • 虽然它本身更像 prompting 方法，但从系统角度看，就是最简单的两阶段编排。
• 论文重点:
  • 显式规划能降低漏步、跳步、直接瞎答的问题。
  • 对复杂任务，先计划再执行往往比一口气生成更稳。
• 对编排的启发:
  • 很多 Agent workflow 的本质，就是把这个两阶段结构进一步工程化。
  • 可以把它看成 Planner -> Executor 架构的最小原型。

3. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation

• 链接: https://arxiv.org/abs/2308.08155
• 关键词: 多 Agent、会话编排、角色协作、对话式 orchestration
• 核心实现:
  • 把系统拆成多个可对话的 Agent，例如 Assistant Agent、User Proxy Agent、工具代理等。
  • 任务通过多 Agent 消息传递推进，而不是由一个 Agent 独立完成。
  • 编排器本身相对轻，更多依赖角色定义、消息规则和终止条件。
• 论文重点:
  • 用多 Agent 对话替代单一长 prompt，可以把复杂任务拆成多个可控职责。
  • 工具调用、人类反馈、代码执行都能自然挂到会话流里。
• 对编排的启发:
  • “消息传递”是多 Agent 编排里最自然的抽象。
  • 适合需要反复讨论、验证、修正的任务，但成本会明显上升。

4. MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework

• 链接: https://arxiv.org/abs/2308.00352
• 关键词: SOP、层级协作、软件团队模拟、流水线编排
• 核心实现:
  • 通过产品经理、架构师、工程师、测试等角色，模拟软件团队协作。
  • 使用 SOP 约束每个角色的输入、输出和交接物，形成比较固定的流水线。
  • 本质是“角色分工 + 文档中间态 + 顺序交接”的多 Agent 装配线。
• 论文重点:
  • 如果任务天然具有明确分工，角色化与文档化会比自由对话更稳定。
  • 中间产物显式化，方便审计、复用和纠错。
• 对编排的启发:
  • 多 Agent 不一定要靠自由聊天推进，也可以靠强流程约束推进。
  • 这类结构特别适合工程任务、长流程任务、文档驱动任务。

5. CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society

• 链接: https://arxiv.org/abs/2303.17760
• 关键词: 角色扮演、多 Agent 对话、自组织协作
• 核心实现:
  • 用 inception prompt 给不同 Agent 赋予角色与目标。
  • 让 Agent 通过对话达成任务，而不是由中心规划器严格调度。
  • 编排偏弱中心化，更接近“协议驱动”的协作。
• 论文重点:
  • 说明了仅靠角色和通信协议，就能涌现出一定协作能力。
  • 同时也暴露了多 Agent 系统里常见的漂移、循环和一致性问题。
• 对编排的启发:
  • 当编排规则较弱时，系统更灵活，但更难控。
  • 对开放式任务友好，对高确定性任务不够稳。

6. AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors

• 链接: https://arxiv.org/abs/2308.10848
• 关键词: 多 Agent 框架、协作环境、任务分解、通信机制
• 核心实现:
  • 强调把 Agent、环境、任务、通信协议解耦。
  • 支持不同协作模式，例如辩论、合作求解、角色分工。
  • 更像一个研究多 Agent 编排模式的实验平台。
• 论文重点:
  • 多 Agent 性能不只取决于模型能力，还高度依赖通信结构和任务组织方式。
  • 适合观察不同编排机制带来的行为差异。
• 对编排的启发:
  • 编排不仅是“谁先做什么”，也是“谁能和谁说话、说什么、什么时候停”。

7. Generative Agents: Interactive Simulacra of Human Behavior

• 链接: https://arxiv.org/abs/2304.03442
• 关键词: 记忆流、计划层次、反思机制、单体 Agent 内部编排
• 核心实现:
  • 维护长期记忆流，并在行动前做检索、总结、反思和计划。
  • 计划分为高层日程与低层行动，形成层次化控制。
  • 这是“单体 Agent 内部模块编排”的代表工作。
• 论文重点:
  • Agent 的能力不只来自模型，还来自记忆检索、反思、计划模块的组合方式。
  • 内部模块顺序不同，会直接改变行为质量。
• 对编排的启发:
  • 即便不是多 Agent，内部也可以做模块化 orchestration。
  • 很适合用于长期任务、状态持续任务、模拟环境任务。

8. AFlow: Automating Agentic Workflow Generation

• 链接: https://arxiv.org/abs/2410.10762
• 关键词: 自动工作流搜索、图式编排、workflow optimization
• 核心实现:
  • 不再人工设计固定 Agent workflow，而是让系统自动搜索更优工作流结构。
  • 编排对象从 prompt / role / tool 扩展到整个 workflow graph。
  • 更接近“编排器自动生成编排器”。
• 论文重点:
  • 说明 workflow design 本身已经成为性能瓶颈。
  • 好的 Agent 系统，不只是模型强，还包括工作流结构被优化过。
• 对编排的启发:
  • 未来编排会从“人工手写流程”走向“自动搜索和自动调优流程”。
  • 这也是 agent engineering 里很值得关注的方向。

Agent编排方式

可以把 Agent 编排分成四类，从简单到复杂依次增强。

1. 单 Agent 闭环编排

典型代表: ReAct

结构:

用户任务 -> Agent -> Thought -> Action -> Observation -> 下一轮 Thought

特点:

• 只有一个 Agent。
• 编排逻辑体现在循环和状态转移里。
• 常与工具调用、RAG、环境交互结合。

适用场景:

• 检索问答
• API 调用
• 简单自动化
• 轻量级 coding agent

2. 规划-执行式编排

典型代表: Plan-and-Solve

结构:

用户任务 -> Planner -> 计划步骤 -> Executor -> 最终结果

扩展形态:

• Planner -> Tool Executor -> Critic
• Planner -> Multiple Executors -> Aggregator

特点:

• 先决定做什么，再决定怎么做。
• 把推理阶段和执行阶段显式拆开。
• 比单闭环更稳定，也更容易监控。

适用场景:

• 复杂推理
• 多步骤工具调用
• 流程比较明确的任务

3. 角色协作式多 Agent 编排

典型代表: AutoGen、CAMEL、AgentVerse

结构:

用户任务 -> 多个角色 Agent -> 消息传递 / 讨论 / 协作 -> 结果

常见角色:

• planner
• researcher
• coder
• critic / reviewer
• tool agent
• human proxy

特点:

• 通过消息交互推动任务前进。
• 编排的重点变成角色定义、通信协议、上下文共享和终止条件。
• 灵活度高，但管理复杂度也高。

适用场景:

• 开放式 research
• 代码生成与审查
• 需要讨论、辩论、互相验证的任务

4. 流水线 / 层级 / 图式编排

典型代表: MetaGPT、Generative Agents、AFlow

结构:

• 流水线: PM -> Architect -> Engineer -> QA
• 层级: Manager -> Worker Agents
• 图式: 节点(Agent/Tool/Memory) + 边(依赖/控制流)

特点:

• 不再只靠对话，而是通过明确的流程结构推进。
• 节点间输入输出更稳定，适合复用和治理。
• 图式编排可以表达分支、回路、并行、汇聚。

适用场景:

• 企业级 agent system
• 软件研发流水线
• 长任务和复杂任务
• 需要可观测性、审计性、可维护性的系统

一个更抽象的统一视角

无论是哪种形式，Agent 编排都可以拆成五个设计维度:

1. 任务如何拆解: 单轮完成，还是先 plan 再执行
2. 责任如何分配: 单 Agent，还是多角色分工
3. 信息如何流动: 共享上下文、消息传递、文档交接、共享 memory
4. 控制如何进行: 自由对话、中心调度、层级控制、图调度
5. 何时停止: 达成目标、轮数上限、critic 验收、人类确认

这五个维度基本决定了一个 Agent 系统的表现。

Agent编排方式的优、劣势

1. 单 Agent 闭环

优点:

• 实现最简单
• 延迟和 token 成本最低
• 调试成本低
• 适合快速验证任务可行性

缺点:

• 容易在长任务中漂移
• 缺少显式分工，复杂任务容易过载
• 可观测性和可控性一般

一句话总结:

适合小而快的任务，不适合高复杂度协作任务。

2. 规划-执行

优点:

• 比直接生成更稳
• 复杂任务更不容易漏步骤
• 便于插入检查点和重试逻辑

缺点:

• 计划可能不准，后续全链路都会受影响
• 额外增加一步规划成本
• 如果执行环境变化快，静态计划可能过时

一句话总结:

是从 prompt engineering 走向真正 agent workflow 的第一步。

3. 多 Agent 对话协作

优点:

• 天然支持角色分工
• 适合开放式问题和探索式问题
• 可以让 agent 互相审查、纠错、补充

缺点:

• token 成本高
• 上下文同步难
• 容易出现重复讨论、空转、责任不清
• 终止条件不好设计时，系统会变得啰嗦或发散

一句话总结:

灵活但昂贵，适合高不确定性任务，不适合简单任务。

4. 流水线 / 层级 / 图式编排

优点:

• 结构最清晰
• 易于治理、监控、缓存和复用
• 适合长流程和生产环境
• 容易接入权限、审计、人工审批等企业机制

缺点:

• 设计成本最高
• 早期容易过度工程化
• 一旦流程写死，面对开放任务时灵活性不够

一句话总结:

最像真正的软件系统，适合落地，不适合一开始就重投入。

一个实用选型建议

如果从工程落地角度选型，可以按下面的路线升级:

1. 先用单 Agent 闭环验证任务能不能做
2. 再加入 Planner，变成规划-执行
3. 当单体 Agent 负担过重时，再拆成多角色 Agent
4. 当任务量、成本、审计、稳定性成为问题时，再上图式或层级编排

这个路线比一开始就堆多 Agent 更稳，因为大多数任务的首要瓶颈并不是“Agent 数量不够”，而是任务拆解、上下文管理和停止条件设计得不够好。

初步结论

1. Agent 的性能差异，很多时候来自编排差异，而不只是模型差异。
2. 单 Agent 与多 Agent 的核心区别，不是数量，而是控制流、信息流和职责分配的设计方式。
3. 对大多数真实系统，最关键的不是“要不要多 Agent”，而是先明确:
   • 任务是否需要显式规划
   • 是否存在天然角色分工
   • 是否需要可审计、可重试、可插人工审批
4. 对 research / coding / workflow automation 这类任务，通常最有效的演化路径是:
   • ReAct 式闭环
   • Planner + Executor
   • Critic / Reviewer
   • 最后再扩展到层级或图式多 Agent