multiagent-patterns

多智能体协作模式示例

本示例基于文章 AI Agents & Multi-Agent Architectures (Part 7) 实现了三种核心的多智能体协作模式。

包含的模式

1. Aggregator（聚合模式）

场景: 社交媒体情感分析

描述: 多个Agent并行分析不同社交媒体平台（Twitter、Instagram、Reddit）的内容，聚合者综合所有结果生成加权情感报告。

特点:

• 并行处理提高效率
• 综合多个数据源
• 加权聚合算法

文件: aggregator_sentiment.go

2. Router（路由模式）

场景: 智能客服工单分配

描述: 中央路由器根据工单类型（账单、技术、一般咨询、紧急升级）自动分配给对应的专业Agent处理。

特点:

• 智能分类路由
• 专家分工协作
• 提高处理效率

文件: router_support.go

3. Loop（循环模式）

场景: 代码编写与测试迭代

描述: 编写者Agent和测试者Agent循环协作，基于测试反馈不断改进代码，直到通过所有测试用例。

特点:

• 迭代优化
• 自动反馈循环
• 质量持续改进

文件: loop_code_iteration.go

快速开始

前置条件

1. Go 1.25.0+
2. LLM API密钥（DeepSeek 或 OpenAI）

设置API密钥

# DeepSeek
export DEEPSEEK_API_KEY="your-api-key"

# 或 OpenAI
export OPENAI_API_KEY="your-api-key"

运行示例

# 进入示例目录
cd examples/advanced/multiagent-patterns

# 运行单个模式
go run . -pattern=aggregator -provider=deepseek
go run . -pattern=router -provider=deepseek
go run . -pattern=loop -provider=deepseek

# 运行所有模式
go run . -pattern=all -provider=deepseek

# 使用 OpenAI
go run . -pattern=all -provider=openai

使用 Makefile

# 运行所有模式
make run

# 运行特定模式
make run-aggregator
make run-router
make run-loop

命令行参数

• -pattern: 要运行的模式
  • aggregator - 聚合模式
  • router - 路由模式
  • loop - 循环模式
  • all - 运行所有模式（默认）
• -provider: LLM提供者
  • deepseek - DeepSeek（默认）
  • openai - OpenAI

示例输出

Aggregator模式输出示例

🔄 模式 1: Aggregator（聚合模式）- 社交媒体情感分析
说明：多个Agent并行分析不同平台的内容，聚合者综合所有结果生成最终报告
================================================================================

📊 任务: 分析多个社交媒体平台关于某产品的情感倾向
🎯 输入: 分析关于'新款智能手机XYZ'的社交媒体情感

✅ 分析完成！

📈 各平台分析结果:
--------------------------------------------------------------------------------

Twitter:
  情感极性: 0.60 (-1=负面, 0=中性, 1=正面)
  主观性得分: 0.70
  帖子数量: 1500
  处理时间: 0.32秒

Instagram:
  情感极性: 0.80
  主观性得分: 0.60
  帖子数量: 800
  处理时间: 0.28秒

Reddit:
  情感极性: 0.30
  主观性得分: 0.80
  帖子数量: 600
  处理时间: 0.25秒

📊 聚合报告:
--------------------------------------------------------------------------------
加权情感极性: 0.59
总帖子数: 2900
总处理时间: 0.85秒

摘要: 整体情感偏向正面。跨3个平台分析了2900条帖子，加权情感极性为0.59。

Router模式输出示例

🔀 模式 2: Router（路由模式）- 智能客服工单分配
说明：中央路由器根据工单类型自动分配给专业Agent处理
================================================================================

📋 接收到 4 个工单，开始智能分配...

处理工单 TICKET-001: 账单金额异常
  ├─ 分类: billing
  ├─ 分配给: billing
  └─ ✅ 处理完成 (用时: 0.21秒)

处理工单 TICKET-002: 无法登录账户
  ├─ 分类: technical
  ├─ 分配给: technical
  └─ ✅ 处理完成 (用时: 0.22秒)

Loop模式输出示例

🔄 模式 3: Loop（循环模式）- 代码编写与测试迭代
说明：编写者Agent和测试者Agent循环协作，直到代码通过所有测试
================================================================================

📝 任务要求:
编写一个 Go 函数 factorial，计算阶乘。
要求：
1. 函数签名：func factorial(n int) int
2. 处理负数输入（返回 -1）
3. 处理 0 和 1（返回 1）
4. 正确计算正整数的阶乘
5. 处理大数情况（n > 20 时返回 -1 避免溢出）

开始迭代开发...

--- 第 1 次迭代 ---
📝 编写者Agent正在编写代码...
✅ 代码已生成

🧪 测试者Agent正在测试代码...
❌ 测试失败 (3/5 测试用例通过)
   失败原因: 缺少负数输入处理
   失败的测试: [负数测试 大数测试]

--- 第 2 次迭代 ---
📝 编写者Agent正在编写代码...
✅ 代码已生成

🧪 测试者Agent正在测试代码...
❌ 测试失败 (4/5 测试用例通过)
   失败原因: 缺少大数溢出处理
   失败的测试: [大数测试]

--- 第 3 次迭代 ---
📝 编写者Agent正在编写代码...
✅ 代码已生成

🧪 测试者Agent正在测试代码...
✅ 测试通过! (5/5 测试用例通过)

🎉 代码开发完成！

架构设计

项目结构

multiagent-patterns/
├── main.go                    # 入口程序
├── aggregator_sentiment.go   # 聚合模式实现
├── router_support.go          # 路由模式实现
├── loop_code_iteration.go    # 循环模式实现
├── README.md                  # 本文档
└── Makefile                   # 构建脚本

核心组件

1. MultiAgentSystem: 多智能体管理系统（来自 multiagent 包）
2. CollaborativeAgent: 协作Agent接口
3. CollaborativeTask: 协作任务定义
4. 各模式特定的Agent实现

扩展建议

添加新模式

文章中介绍的其他模式可以继续实现：

• Sequential（顺序模式）: 多级审批流程
• Hierarchical（分层模式）: 树形组织结构
• Network（网络模式）: 去中心化协作
• Supervisor（监督者模式）: 中央监督者管理

优化建议

1. 集成真实LLM: 当前某些Agent使用模拟数据，可以集成真实的LLM调用
2. 添加持久化: 保存任务执行历史和结果
3. 可视化: 添加Agent协作过程的可视化
4. 性能监控: 添加详细的性能指标和追踪

相关文档

• 项目主文档: DOCUMENTATION_INDEX.md
• 架构文档: docs/architecture/ARCHITECTURE.md
• 多智能体系统: multiagent/
• 其他示例: examples/advanced/

参考资料

• 原文章: AI Agents & Multi-Agent Architectures (Part 7)
• LangChain 文档: https://python.langchain.com/docs/
• GoAgent 项目: https://github.com/kart-io/goagent

许可证

本示例代码遵循项目主许可证。