AI 代理人系統的形狀，由業務邏輯決定——而非工具功能
多代理人（multi-agent）系統的設計模式，如 Orchestrator、Agent Teams 或 Verifier，並不存在放諸四海皆準的最佳解。真正的關鍵，是回到業務本身，從任務的風險結構、交付節奏與協作邏輯出發，反向推導系統該有的「形狀」。這篇文章將探討如何將架構選擇從技術問題，提升為一種商業策略。
在 AI 代理人（Agent）系統的設計中，我們時常圍繞著各種模式（pattern）討論：應該用 Orchestrator 集中調度，還是讓 Agent Teams 自由協作？何時該引入 Verifier 來確保品質？然而，這些討論往往忽略了最根本的問題。我認為，代理人系統的架構選擇，本質上不是技術問題，而是一個由業務形態主導的策略問題。系統的「形狀」，應該由任務的內在邏輯、交付節奏與風險結構來決定，而非單純追求某個框架或工具標榜的功能清單。
多代理人設計模式有哪些常見類型？
在深入探討業務邏輯之前，讓我們先快速盤點當前主流的多代理人設計模式。這些模式並非互斥，而是光譜上的不同取捨，各自對應著不同的協作與控制哲學。例如，Anthropic 的官方文件就整理出了幾種常見的典型：
- Orchestrator-Subagent（協調者-子代理）：由一個中心的協調者代理人，將複雜任務拆解，並依序或平行地分派給專門的子代理人執行。這是一種高度結構化、易於控制的模式，適合線性且流程明確的任務。
- Agent Teams（代理人團隊）：一群擁有不同技能的代理人共同協作，彼此溝通以解決一個共同的複雜問題。這種模式更具彈性與創造力，模擬了人類的專家團隊，常用於需要多角度分析的場景，例如 Microsoft 的 AutoGen 框架就擅長實現這類對話式協作。
- Generator-Verifier（生成者-驗證者）：由一個代理人負責生成內容（例如程式碼、文案），另一個代理人則扮演批判者或測試者的角色，負責驗證、除錯與迭代。這個模式大幅提升了輸出的品質與可靠性，尤其適用於風險較高的任務。
- Message Bus / Shared State（訊息匯流排／共享狀態）：代理人之間不直接溝通，而是透過一個共享的訊息中心或狀態儲存區來進行非同步協作。這讓系統得以擴展，並處理更複雜、事件驅動的流程。
這些模式本身都很有價值，但真正的挑戰在於選擇與組合。而選擇的依據，不該是技術的流行度，而是業務的本質。
為什麼相同的工具，會長出截然不同的代理人架構？
最近團隊內有個有趣的觀察：同樣是使用 Claude 3.5 Sonnet 這樣強大的模型，不同專案長出來的代理人架構卻大相徑庭。有人偏好嚴謹的 Orchestrator，有人則打造了鬆散的 Agent Teams。這種差異的根源，正是每個專案背後的業務邏輯截然不同。
我們可以從三個維度來思考這個問題：任務邏輯、風險結構、交付節奏。
- 任務邏輯的複雜度與可分解性：任務本身是線性的，還是一個需要多方權衡的網狀問題？如果是一個步驟清晰的 ETL 流程，Orchestrator 模式顯然是高效的。但如果任務是「為新產品撰寫一份包含市場分析、競品比較與行銷策略的商業計畫」，那麼一個由分析師、策略師、文案寫手組成的 Agent Team 會更為合適。
- 風險結構與品質要求：任務失敗的成本有多高？一個內部用的數據整理腳本，或許可以容忍 95% 的準確率；但一個用於生產環境的程式碼部署系統，或一份給客戶的法律文件，則需要近乎 100% 的正確性。後者幾乎是 Generator-Verifier 模式的標準應用場景。許多研究如 CRITIC (2023) 或 Self-Refine (2023) 都展示了「自我批判」或「多代理人辯論」對於提升準確度的巨大價值。
- 交付節奏與互動頻率：系統需要即時回應，還是可以非同步、長時間運行？一個即時客服代理人可能需要快速的反應鏈；而一個持續監控網路輿情的系統，則更適合 Message Bus 的事件驅動架構，讓不同的分析代理人可以獨立地對新事件做出反應。
我們應該問的不是「哪個代理人框架最好？」，而是「我的業務邏輯，最適合被塑造成什麼形狀？」
如何根據業務需求，選擇合適的架構？
將上述原則化為實踐，我們可以建立一個簡單的決策框架。當你開始設計一個新的代理人系統時，先問自己以下幾個問題，答案將會引導你走向最適合的架構。
- 如果你的首要目標是「可靠性」與「精準度」：例如自動生成程式碼、財務報告或技術文件。這時，Generator-Verifier 模式是你的不二之選。你可以設計一個開發者代理人與一個 QA 代理人，前者寫碼，後者撰寫單元測試並回報 bug，形成一個緊密的迭代循環。根據 MetaGPT 的研究 (2024)，這種角色扮演的協作模式，在軟體開發任務上能達到超過 80% 的 Pass Rate。
- 如果你的首要目標是「創意」與「綜合分析」：例如市場研究、內容策略或產品設計。這時，Agent Teams 是最理想的選擇。你可以建立一個包含數據分析師、產業專家、創意寫手等多個角色的團隊。他們可以透過多輪對話，從不同角度激盪想法，產出單一代理人難以企及的深度與廣度。
- 如果你的首要目標是「效率」與「流程自動化」：例如處理客戶訂單、數據清洗與遷移。這時，Orchestrator-Subagent 模式最能派上用場。你可以設計一個總控代理人，依序呼叫「訂單驗證」、「庫存查詢」、「物流安排」等功能明確的子代理人，打造一條穩定、可預測的自動化產線。
最終，代理人系統的架構並非靜態的。隨著業務演進，系統的形狀也需要隨之調整。一個最初由 Orchestrator 驅動的簡單流程，可能因為業務擴展而需要加入 Verifier 來控制風險，或甚至演化成多個 Agent Teams 協作的複雜系統。關鍵在於，每一次的架構決策，都應該是有意識地回應業務需求的變化，而非盲目追隨技術潮流。
我們正處於一個強大工具不斷湧現的時代，但工具終究是為了目的而服務。打造一個真正有效的 AI 代理人系統，需要我們從工程師的思維，提升到架構師的視角，深刻理解業務的本質，並為它量身打造最合適的「形狀」。
延伸閱讀
- Multi-agent design patterns (Anthropic)
- AutoGen: Enabling Next-Gen LLM Applications (Microsoft)
- CRITIC: Large Language Models Can Self-Correct with Tool-Interactive Critiquing (Gou, et al., 2023)
- MetaGPT: Meta Programming for Multi-Agent Collaborative Framework (Hong, et al., 2023)
- Why Agentic AI is the Next Frontier (Latent Space)
我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。