10 - 多 Agent 协作：Team 的四种模式

一句话总结：当一个 Agent 搞不定的时候，组个团队 – Agno 的 Team 提供四种协作模式，覆盖从路由分发到自主任务拆解的全部场景。

为什么需要多 Agent

前面九篇我们一直在折腾单个 Agent。给它加工具、加知识库、加记忆，搞得越来越强。但总有些场景，一个 Agent 再强也不够用。

举个例子：你让一个 Agent 同时当”股票多头分析师”和”风险分析师”，它很可能会在两种角色之间摇摆，给你一个不痛不痒的中庸回答。不是它不行，而是单一角色设定天然就有局限性。

这就像一个人同时当产品经理、设计师、开发和测试 – 不是不行，但效果肯定不如专人专事、分工协作。

Team 的核心思路就是这个：把一个复杂任务拆给多个专精的 Agent，然后由一个领导者（Leader）协调汇总。

第一个 Team：投资分析

来看一个经典场景 – 多空对决。一个分析师看多，一个分析师看空，最后由团队领导综合两边观点给出建议。

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.team.team import Team
from agno.tools.yfinance import YFinanceTools

bull = Agent(
    name="多头分析师",
    role="分析股票的上涨理由",
    model=OpenAIChat(id="gpt-4o-mini"),
    tools=[YFinanceTools()],
    instructions="你是一个乐观的股票分析师，专门找投资的正面理由。用数据说话。",
)

bear = Agent(
    name="空头分析师",
    role="分析股票的风险因素",
    model=OpenAIChat(id="gpt-4o-mini"),
    tools=[YFinanceTools()],
    instructions="你是一个谨慎的风险分析师，专门找投资的风险点。用数据说话。",
)

team = Team(
    name="投资分析团队",
    model=OpenAIChat(id="gpt-4o-mini"),
    members=[bull, bear],
    instructions="""\
你是投资分析团队的领导。
1. 把任务分配给多头和空头分析师
2. 综合他们的观点给出平衡的建议
3. 明确标出买入/持有/卖出的建议""",
    markdown=True,
    show_members_responses=True,
)

team.print_response("分析一下NVIDIA值不值得投资", stream=True)

运行之前先装一下依赖：

pip install agno openai yfinance

跑起来你会看到：先是多头分析师用 YFinance 工具查了数据，洋洋洒洒讲了一堆看涨理由；然后空头分析师同样查了数据，列出了风险点；最后团队领导综合两边意见，给出一个平衡的结论。

这就是 Team 的基本工作方式。注意几个关键点：

每个成员都是独立的 Agent – 有自己的 model、instructions、tools，互不干扰
Team 本身也需要一个 model – 因为领导者也是一个”Agent”，它需要模型来理解任务、分配工作、综合结论
role 很重要 – 领导者根据每个成员的 role 来决定把什么任务分配给谁
show_members_responses=True – 让你在终端里看到每个成员的单独回复，方便调试

四种协作模式

Team 不只有一种工作方式。Agno 提供了四种模式，适用于不同的协作场景：

模式	关键词	工作方式	典型场景
`coordinate`	协调	领导者挑选合适的成员，分配任务，汇总结果	研究 + 写作、多角色协作
`route`	路由	领导者把请求转给最合适的成员，直接返回	客服分流、语言路由
`broadcast`	广播	所有成员同时收到相同任务，领导者汇总	多视角分析、辩论
`tasks`	任务	领导者自主拆解任务、分配、迭代执行	内容流水线、复杂工程

上面那个投资分析的例子默认用的就是 coordinate 模式。下面逐个看看其他三种。

coordinate 模式：协调分工

这是默认模式，也是最常用的。领导者分析用户的请求，挑选合适的成员，给他们分配具体任务，收到回复后综合成最终答案。

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.team.team import Team

researcher = Agent(
    name="研究员",
    role="负责调研和收集信息",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你是一个研究员，提供清晰、有条理的信息摘要。",
)

writer = Agent(
    name="写手",
    role="负责把信息写成可读的文章",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你是一个优秀的写手，擅长把复杂信息变成通俗易懂的文章。",
)

team = Team(
    name="内容团队",
    mode="coordinate",
    model=OpenAIChat(id="gpt-4o-mini"),
    members=[researcher, writer],
    instructions=[
        "你是内容团队的负责人。",
        "先让研究员调研信息，再让写手把结果写成文章。",
    ],
    show_members_responses=True,
    markdown=True,
)

team.print_response("写一篇关于量子计算现状的科普文章", stream=True)

coordinate 模式下，领导者有自主判断权 – 它可以只委派一个成员，也可以同时委派多个。上面的投资分析例子就是同时委派了两个。

route 模式：智能路由

有时候你不需要多个 Agent 协作，只需要把请求转给最合适的那个人。这就是 route 模式。

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.team.team import Team

coder = Agent(
    name="程序员",
    role="回答编程和技术问题",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你是一个资深程序员，擅长解释技术概念和写代码。回答要包含代码示例。",
)

writer = Agent(
    name="写手",
    role="回答写作和文案相关的问题",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你是一个专业写手，擅长各种文体的写作。",
)

advisor = Agent(
    name="职业顾问",
    role="回答职业发展和职场问题",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你是一个职业发展顾问，给出务实的职场建议。",
)

team = Team(
    name="智能路由团队",
    mode="route",
    model=OpenAIChat(id="gpt-4o-mini"),
    members=[coder, writer, advisor],
    instructions="你是一个路由器，根据用户问题的类型，把请求转给最合适的专家。",
    show_members_responses=True,
    markdown=True,
)

team.print_response("怎么用Python写一个简单的爬虫？")
# -> 路由到 程序员

team.print_response("帮我写一封得体的辞职信")
# -> 路由到 写手

team.print_response("工作三年了，该不该跳槽？")
# -> 路由到 职业顾问

route 模式的关键特点：

领导者不综合、不加工，直接返回成员的回复
只选一个成员来处理（不会同时选多个）
适合”一个问题只需要一个专家”的场景
效率高 – 省去了综合汇总的开销

这个模式特别适合做客服系统：用户问技术问题转技术支持，问账单问题转财务，问退货转售后。

broadcast 模式：全员广播

有些问题需要多个角度同时看，而且你希望每个角度都是独立思考、不受彼此影响的。broadcast 模式就是干这个的 – 把相同的问题同时发给所有成员，然后领导者综合各方意见。

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.team.team import Team

optimist = Agent(
    name="乐观派",
    role="从机遇和正面角度分析问题",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你总是看到事物积极的一面。聚焦于机会、增长潜力和正面趋势。但要基于事实，不是盲目乐观。",
)

pessimist = Agent(
    name="悲观派",
    role="从风险和负面角度分析问题",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你专注于风险、挑战和潜在的坑。指出可能出错的地方和需要谨慎的原因。但要提出建设性意见，不是无脑唱衰。",
)

realist = Agent(
    name="现实派",
    role="提供平衡务实的分析",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你提供基于证据的客观分析。权衡机遇和风险，聚焦于最可能发生的情况。",
)

team = Team(
    name="三视角分析团队",
    mode="broadcast",
    model=OpenAIChat(id="gpt-4o-mini"),
    members=[optimist, pessimist, realist],
    instructions=[
        "你是一个多视角分析团队的领导。",
        "所有成员会独立回答同一个问题。",
        "你需要综合他们的观点，给出一个全面、平衡的总结。",
    ],
    show_members_responses=True,
    markdown=True,
)

team.print_response("现在创业做AI应用是不是一个好时机？", stream=True)

broadcast 和 coordinate 的区别：

coordinate – 领导者决定谁来回答，可能只派一个人
broadcast – 所有人都回答，一个不落

broadcast 适合需要”对抗性思维”的场景 – 不同立场的 Agent 独立分析同一个问题，避免了群体思维的陷阱。

tasks 模式：自主任务拆解

tasks 模式是最”智能”的一种 – 领导者会自主把一个大目标拆解成多个子任务，按顺序或并行地分配给成员，然后迭代执行直到所有任务完成。

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.team.team import Team

planner = Agent(
    name="策划",
    role="创建内容大纲和结构",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你是一个内容策划，擅长把复杂话题拆分成清晰的大纲结构。",
)

writer = Agent(
    name="写手",
    role="根据大纲撰写内容",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你是一个写手，根据提供的大纲写出通顺、有吸引力的内容。",
)

editor = Agent(
    name="编辑",
    role="审核和改进内容质量",
    model=OpenAIChat(id="gpt-4o-mini"),
    instructions="你是一个编辑，负责审查内容的清晰度、语法和逻辑，直接给出改进后的版本。",
)

team = Team(
    name="内容流水线",
    mode="tasks",
    model=OpenAIChat(id="gpt-4o-mini"),
    members=[planner, writer, editor],
    instructions=[
        "你是内容流水线的负责人。",
        "对于每个请求：",
        "1. 先让策划创建内容大纲",
        "2. 再让写手根据大纲写初稿",
        "3. 最后让编辑审核润色",
        "按顺序执行任务，最终输出编辑后的成品。",
    ],
    show_members_responses=True,
    markdown=True,
    max_iterations=10,
)

team.print_response("写一篇关于微服务 vs 单体架构的技术博客")

tasks 模式的特点：

领导者会自动拆任务、排优先级、处理依赖关系
max_iterations 控制最大迭代次数，防止无限循环
适合有明确流程的”流水线”场景 – 上一步的输出是下一步的输入

什么时候用 Team，什么时候用单 Agent

不是所有场景都需要 Team。组团队是有成本的 – 更多的 API 调用、更长的延迟、更高的费用。用之前先想想是不是真的需要。

单 Agent 就够的场景：

任务单一、目标明确（翻译、摘要、代码生成）
不需要多角度观点
对延迟和成本敏感

需要 Team 的场景：

需要多个视角的对抗性分析（多空分析、辩论）
需要多种专业能力的组合（调研 + 写作 + 编辑）
需要根据输入类型路由到不同处理器（客服分流）
一个复杂任务需要分步骤、流水线式完成

一个简单的判断标准：如果你发现自己在给一个 Agent 写一堆互相矛盾或者职责完全不同的 instructions，那大概是时候拆成 Team 了。

常用配置参数

除了上面已经用到的，再补充几个实用的配置：

team = Team(
    name="示例团队",
    mode="coordinate",
    model=OpenAIChat(id="gpt-4o-mini"),
    members=[agent_a, agent_b],

    # 显示每个成员的单独回复（调试必备）
    show_members_responses=True,

    # 直接返回成员的回复，不经过领导者综合
    # 适合 route 模式
    respond_directly=True,

    # 成员之间共享彼此的交互记录
    # 后面的成员能看到前面成员说了什么
    share_member_interactions=True,

    # 把任务广播给所有成员（不让领导者选人）
    # coordinate 模式下有效
    delegate_to_all_members=True,

    # tasks 模式下的最大迭代次数
    max_iterations=10,
)

几个参数的使用场景：

参数	什么时候用
`show_members_responses`	调试的时候，想看每个成员都说了什么
`respond_directly`	route 模式默认就会这样；coordinate 模式下如果你不需要领导者加工
`share_member_interactions`	成员之间有依赖，后面的成员需要参考前面的结果
`delegate_to_all_members`	coordinate 模式下想让所有人都参与（类似 broadcast 的效果）
`max_iterations`	tasks 模式下控制循环上限，防跑飞

今天学了什么

回顾一下关键概念：

Team 是多个 Agent 的协作容器，由一个领导者（Team 本身）和多个成员（members）组成
四种模式各有用武之地：
coordinate – 领导者分配任务、综合结果，最通用
route – 路由到最合适的成员，效率最高
broadcast – 全员作答、多视角碰撞
tasks – 自主拆解任务、流水线执行
每个成员都是独立的 Agent，有自己的模型、指令和工具
Team 本身也需要 model 和 instructions – 领导者也是 Agent
不是所有场景都需要 Team，单 Agent 能解决的就别组队

Team 让你从”一个人单打独斗”进化到”一个团队协作”。但这只是开始 – 团队成员之间怎么共享知识、怎么传递记忆、怎么嵌套组合，还有很多可以玩的。

下一篇预告

11 - Team 进阶：知识共享与记忆传递

团队有了，但成员之间还是各干各的。下一篇我们让团队成员共享知识库、传递对话记忆、在 session 中保持上下文 – 从”一群各自为战的 Agent”变成”一个真正有默契的团队”。

上一篇钩子与生命周期：精细控制 Agent 行为下一篇Team 进阶：知识共享、记忆传递与嵌套团队