第 7 章 复杂工作流与多智能体系统
当任务变复杂：用业务逻辑节点与多 Agent 协同攻坚。本章掌握选择器/批处理/循环/代码节点，理解工作流嵌套与多智能体分工。
第一部分 课程导学
导语 · 本章定位简单任务一个工作流搞定；复杂任务需要"逻辑分支 + 并行 + 协作"。本章是工程能力的分水岭——把庞大流程拆成可调试的模块（嵌套工作流），让多个专长 Agent 像团队一样分工（多 Agent）。这背后是业务流程管理与多智能体系统（MAS）的经典理论。
三维学习目标理解业务逻辑节点；掌握工作流嵌套；了解多 Agent 模式。
能用代码/批处理/循环节点；能通过嵌套实现模块化；能设计多 Agent 协同。
培养模块化工程思维；培养精益求精的工匠精神；提升分析复杂问题的能力。
理论基石 · 信息系统分析与设计
理论 · 业务流程与工作流理论BPMN（业务流程建模与标注，统一流程图形语言）；WfMC（工作流管理联盟参考模型：流程定义/引擎/客户端/互操作）；BPR（业务流程重组，根本性再设计）；Petri 网（并发、同步与资源竞争的严格建模）。
理论 · 多智能体系统（MAS）协调理论Agent = 角色（Role）+ 目标（Goal）+ 结构（Structure）；协调/协作/协商机制：黑板、合同网、市场机制；组织结构隐喻：将人类团队协作映射为 Agent 分工；与 BPM 映射：流程节点 ↔ Agent 职责。
理论 ↔ 智能体能力 映射原版 ch12-13 的顺序图/协作图（刻画多智能体消息交互，H.4）、SOLID/GoF（指导 Agent 职责单一与可替换，H.5）、面向服务设计（"每个智能体 = 一个业务能力/微服务"，H.6）是理解多智能体编排的经典地基。把智能体互联网 IoA 拓扑画成协作图最直观。
课程思政 · 价值引领
层级式(Hierarchical)：管理者Agent负责任务分解与协调，执行Agent负责具体任务；对等式(Peer-to-Peer)：所有Agent地位平等，通过协商和投票达成共识。 来源：公众号·大模型助理
传统电商推荐存在三大痛点（推荐结果和排序脱节、各系统各自为战、缺乏实时反馈）；本项目用 Supervisor 模式 + LangGraph + RAG + ReAct 构建 Agent 推荐系统。 来源：公众号·大模型助理
从 Anthropic 出发，构建高效工作流 Agent 三分支：技术选型指南、设计模式解析、实施要点扩展。含 Workflow VS Agent 思维导图。 来源：智学优课
1 蚂蚁集团开源多智能体协作基础设施 Avernet（2026-08-07）：聚焦 agent 发现、共识、跨团队协作与治理（身份 / 权限 / 生命周期）。
2 agency-agents 框架 GitHub 单日 14.3 万 star（2026-08-11）：角色化 agent 团队，验证“组织化 AI 劳动力”需求。
3 SpaceXAI 发布 Grok Bot 多智能体协作工具（2026-08-11）；DeepMind 多智能体强化学习成果登《Science》（2026-08-12）；A2A 协议成熟。
来源：搜狐 2026-08-07、Donews 2026-08-11、DeepMind / Science 2026-08-12、AI Daily
本章映射：多智能体系统就像一支团队——父/子 Agent 分工协作、协商任务。真正的系统效能来自"拢指成拳"的协同，而非单点强悍；把个体能力组织成整体合力，正是系统分析设计的价值。
名校范式 · 清华课程思政案例本章映射：多智能体系统像一支团队，恰是"团结协作"的算法写照。博弈对抗中的自主决策，正是多智能体"让程序自己做决策"的能力内核。
课程思政案例 · IMA 知识库复杂系统里的协同治理：多 Agent 也是"系统工程"
- 新质生产力强调系统集成与协同配合；复杂工作流/多 Agent 正是系统工程的微观演练。
- 多智能体协作如同社会治理：需要规则、接口标准与明确的责任边界。
案例导入 · 多智能体协同故障调度
案例 B1-05 基于多智能体协同的故障调度新实践
申报单位：中国移动通信集团福建有限公司
在“人工智能+”行动计划深入推进的背景下，中国移动福建公司将九天大模型能力深度融入通信网络运维体系，开创了AI 赋能传统基础设施智能化升级的创新范式。此举积极响应数字经济发展与数字中国建设战略，以人工智能驱动网络运维从自动化向认知化、自优化跃迁，加速构建以AI 为核心引擎的新质生产力，为通信行业数智化转型树立标杆，助力国家智能化基础设施体系高质量发展。面对日均4500 起故障任务，传统调度模式凸显三大结构性痛点：一是跨域调度定界定位能力不足，重复派单严重；二是传统调度流程依赖预定义、硬编码的传统集成方式，无法适应快速变化的网络环境；三是单故障需6 次通话、20 次信息查询。
导学解读 · 与本章的对接：本章讲工作流编排，最怕的是“为了多智能体而多智能体”。本案例给出了一个可检验的判据：日均 4500 起故障、单故障需 6 次通话与 20 次信息查询——复杂度与规模都已越过单点处理的能力边界，才需要拆分专业智能体并协同。请重点看它的三层设计：PrefixSpan 序列挖掘 + 资源图谱做事件关联（相当于工作流中的条件分支依据）、业务 SLA 模型做优先级判定（相当于路由规则）、“事件调度控制模块”做调度大脑（相当于编排器）。定界定位时长由 40 分钟压缩至 20 分钟、首调准确率提升至 80%，正是工作流优化的直接收益，也是本章学习成果的可量化标尺。
第二部分 课程内容
7.1 业务逻辑节点家族
- 选择器：条件分支，常配合意图识别做分类，可用"否则"兜底，提升可靠性。
- 批处理：并行批量，任务相互独立、无依赖，运行次数=数组长度，适合批量生成图像/查询。
- 循环：串行重复，可依赖上次结果，支持次数/无限/数组循环，可"终止循环"跳出。
- 代码节点：自定义逻辑（JS/Python），上游数据封装在 params，输出须以对象返回。
- 变量聚合：读取多路分支第一个"非空值"，避免未运行分支读空报错。
7.2 工作流嵌套：复杂业务的模块化
将庞大工作流拆为单一职责子工作流，遵循模块化思想。主工作流负责任务"调度"与"整合"（如 multiplatform_copywriting：开始→嵌套子流→代码 JSON 转数组→循环→结束）；子工作流专注单项能力（generate_article / adapt_content / text2image），各 3~4 节点独立调试。关键约束：只有已发布的工作流才能被主工作流嵌套调用。
7.3 多 Agent 模式
父 Agent：调度中心，按各子 Agent"适用场景"分发，保留全局配置；不满足时回退父 Agent。子 Agent A/B/C：各具专长（订单/促销/人工），独立提示词与技能。跳转机制：输入满足某 Agent 触发条件即移交（如含"人工/投诉"跳转人工客服）。适用于智能客服、深度报告、虚拟公司等。
7.4 多 Agent vs 工作流
多 Agent：多个具决策能力的智能体动态交互，灵活、可自主规划，适合复杂开放问题，但调试复杂。工作流：执行预设固定流水线，可控、清晰、可视化易调试，适合流程明确、结果可预测的任务。
7.5 代码节点与变量聚合实操
代码节点输入/输出：所有上游数据封装在 params（如 const city = params['city']）；输出必须对象返回（即使单值）。能力：数据转换、计算、调外部 API。变量聚合"取首个非空"避免分支不确定性报错。组合案例：合同金额审查 = 读取→解析(大模型,Object)→代码(Python审查)→报告；知识问答 = 联网/头条/大模型三路并行，变量聚合按优先级取首非空。
第三部分 拓展练习
知识拓展与前沿
拓展 · 四大 Agentic Workflow 模式① 规划 Planning（任务分解）；② 工具使用 Tool Use（与外部资源动态交互）；③ 反思 Reflection（自评迭代纠错）；④ 组合 Compose（原子模式 + 人在环 + 分级自主权）。
前沿 · 多智能体协作主流范式① 单智能体自主循环（思考-规划-执行-反思）；② 角色扮演式对话（CAMEL）；③ 组织化工作流（MetaGPT、CrewAI）；④ 高级控制流（LangGraph，状态图支持循环/分支/人工）。选型：简单可预测→工作流；开放复杂→多智能体。
案例 · 生产级 Agentic WorkflowClaygent（网络扫描做潜客研究）；ServiceNow AI Agents（工单触发→知识库 RAG→生成处理建议，决策权留人类）。
📌 复杂工作流与多智能体 · 核心术语
- 工作流编排
- 子工作流
- 多智能体
- 批处理节点
- 选择器
🧩 案例 · 电商客服多智能体协作
- 场景：订单、促销、人工三条线由三个专业智能体分工，一个“主管 Agent”按问题类型派单——复杂业务拆给专家，而非塞进一个万能体。
- 编排：用批处理节点并行生成 100 张商品文案；用选择器在‘能答/转人工’间路由——节点即总体设计的模块落地。
- 映射：多智能体 = 现实里‘科室协作’的软件映射；本章把你从‘写提示词’升级到‘搭组织’。
以下文献反映本章主题在智能体时代的最新进展，供学有余力的同学延伸阅读（链接指向原文/预印本）。
- AutoGen：通过多智能体对话赋能下一代 LLM 应用（AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation）
微软对话式多智能体框架事实标准
- MetaGPT：多智能体协作的元编程框架（MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework）
标准化作业流程(SOP)驱动的软件工厂模式
- ChatDev：用于软件开发的通信智能体（ChatDev: Communicative Agents for Software Development）
角色对话协作开发
- CAMEL：用于“心智”探索的通信智能体（CAMEL: Communicative Agents for 'Mind' Exploration）
首个角色扮演多智能体协作框架
- Chain-of-Agents：LLM 在长上下文任务上的协作（Chain-of-Agents: Large Language Models Collaborating on Long-Context Tasks）
链式推理缓解长文本“中段遗失”
- 智能体在智慧图书馆中的应用：框架与场景
给出图书馆智能体的能力框架与典型场景，对应多智能体协作
- 面向科研情报分析的多智能体协同模型
角色化多智能体协同完成复杂情报任务，呼应 MetaGPT/CrewAI
- 面向科技战略情报分析的多智能体协同系统研究
多智能体分工 + 控制流，对应本章工作流与多智能体范式
- 情报智能体技术解构与能力框架
对情报智能体的能力组件做拆解，对应智能体能力建模
- 情报智能体：面向十五五的科技情报工作新范式
提出情报智能体作为十五五科技情报新范式，呼应课程战略视角
核心理念：让两个「角色」(如架构师 + 审查员)互相质疑，或你与 AI 结对，能在协作中暴露盲区——比独自闷头写更稳。
四步/要点：① 分角色设定设计者与质疑者两类视角 ② 出方案设计者给出架构 / 流程方案 ③ 挑漏洞质疑者从边界 / 异常处发难 ④ 迭代收敛据反馈修订，直至双方认可
与录屏结合：录屏时，扮演「主管 Agent」给两个子 Agent 派活，演示「角色分工如何提升复杂任务质量」。
知识巩固与提高
上机实验 · 构建复杂工作流或多 Agent 系统
📋 实验任务书
目标：实现一个复杂工作流或多 Agent 原型，体现模块化与协同。
环境：扣子 Coze 工作流/多 Agent 模式。
步骤：① 代码节点+变量聚合实现业务逻辑；② 或改造成主/子工作流嵌套；③ 进阶搭多 Agent（父+2~3 子）；④ 测试分流与协同。
交付物：架构图 + 代码节点逻辑说明 + 分流测试记录（≥3 类输入）。
评分点：逻辑正确性(30%) · 模块化(25%) · 多Agent/嵌套(25%) · 测试记录(20%)。
🛠 分步操作 · 构建复杂工作流或多 Agent 系统
动手 · 分步操作- 用代码节点 + 变量聚合，为项目实现一段结构化业务逻辑（如合同/表单审查）。
- 或把已有工作流改造为"主工作流 + 子工作流"嵌套结构。
- 进阶：搭建多 Agent 原型（父 Agent 调度 + 2~3 个专长子 Agent，如订单/促销/人工客服）。
- 测试不同用户输入的自动分流与协同效果。
📝 代码节点输出规范
// 所有上游数据在 params 中
const city = params['city'];
// 输出必须封装为对象
return { result: processed, ok: true };
// 否则工作流无法读取返回值
🔬 扩展实验（选做 2–3 项，巩固本章学法）
扩展实验 1 · A2A 协议协作
任务：实现一个 Agent 间消息传递，对比「单 Agent 硬扛 vs 多 Agent 协作」。
交付：录屏讲清 A2A 价值，给出协作拓扑。
扩展实验 2 · 层级 vs 对等架构
任务：同一任务分别用「主管-下属」层级与「平级协商」实现对等。
交付：录屏对比优劣，给出选型建议。
扩展实验 3 · 监督者模式治理
任务：加一个「监督 Agent」做质量把关。
交付：费曼式讲清「为何复杂系统需要监督者」，录屏演示。
🎮 课堂互动小游戏 · 边玩边学
第四部分 本章小结
本章小结
核心要点回顾
- 业务逻辑节点：选择器/批处理/循环/代码/变量聚合。
- 批处理并行、循环串行，按依赖选型。
- 工作流嵌套实现模块化与复用（子流须先发布）。
- 多 Agent 适合复杂、开放、需分工的任务。
- 代码+变量聚合是复杂业务可控落地的关键。
- 下一章：把能力封装为可部署的低代码应用。
延伸阅读：ima 知识库《智能体宇宙》"四大 Agentic Workflow 模式""多智能体协作范式"；业务流程管理（BPMN/Petri 网）与 MAS 协调理论相关教材；清华 AI 博弈教学案例。
拓展案例 · AgentOS 集群与联邦协同
案例 B7-06 多智能体集群与联邦协同平台
申报单位：中国电信股份有限公司研究院
电信研究院面向复杂任务协同合作场景，研发“AgentOS”多智能体集群与“AgentFed”联邦协同平台。目前，单一智能体能力边界受限，无法独立完成长流程、多角色、跨系统参与的复杂任务，并且在实现多人、多机器协同时，存在上下文割裂，任务接续困难、协作效率低下的问题。为解决上述问题，平台采用端云协同架构设计：通过AgentOS 构建本地智能体运行底座，提供任务规划、流程路由、指令执行、工具调用、工作流记忆及集群协同全链路能力；通过AgentFed 打造云端联邦协同层，实现跨设备、跨用户上下文与工作空间安全共享。
看点：AgentOS 用 Plan-Route-Action 三层编排把“规划—路由—执行”拆开，AgentFed 则解决跨设备、跨用户的上下文接续。前者是工作流引擎的骨架，后者是协作记忆的载体。
延伸思考题
- AgentOS 采用 Plan-Route-Action 三层编排架构。请把本章 Coze 工作流的节点类型映射到这三层，并指出哪一类节点最容易成为性能瓶颈、为什么。
- Router 结合 BM25、向量相似度与 RRF 融合排序来匹配执行单元。请解释为什么单一检索策略不够用，并说明 RRF 融合相比简单加权求和的优势。
- AgentFed 让不同成员、不同终端的上下文与工作空间安全共享。请列出至少三项共享带来的风险，并给出对应的权限设计。
-
Wu et al.《AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation》(COLM 2024)
多智能体对话框架，第7章“多智能体协作”的工业级参考