多智能体协作与编排_Agent 工程化落地-2026-上海_QECon全球软件质量效能大会-橙柚科技

优惠倒计时

8折票抢购中

团购享更多优惠

北京站 · 10月16-17日

上海站 · 9月4-5日

深圳站 · 5月22-23日

专场：多智能体协作与编排：Agent 工程化落地

本专场聚焦多智能体协作编排的架构设计与企业级工程实践。面对复杂业务任务，单一智能体在专业分工、任务执行和系统稳定性等方面往往存在局限，多智能体协作则提供了更灵活的解决思路。专场将围绕多智能体系统建设中的共性问题，结合不同业务场景与实践案例，探讨任务拆分、角色协同、流程编排、资源调度与运行治理等方向，分享从方案设计到生产落地过程中的实践经验、挑战与思考。内容可涉及复杂任务处理、系统性能优化、稳定性建设及规模化应用等议题。

专场出品人：张海立

LangChain Ambassador

《LangGraph实战》《LangChain实战》作者，LangChain 官方大使，ADPS 核心专家，LFAPAC 开源布道师。B 站万粉 UP 主，长期关注和致力于 GenAI、云原生和前沿互联网技术的技术落地和推广。曾就职于英特尔亚太研发有限公司，担任高级研发经理和架构师。

张海立

LangChain Ambassador

《LangGraph实战》《LangChain实战》作者，LangChain 官方大使，ADPS 核心专家，LFAPAC 开源布道师。B 站万粉 UP 主，长期关注和致力于 GenAI、云原生和前沿互联网技术的技术落地和推广。曾就职于英特尔亚太研发有限公司，担任高级研发经理和架构师。

待定

从任务委派到动态编排：Deep Agents 子智能体协作的工程化实践

议题背景：
随着 Agent 承担的任务从单步问答走向复杂研发工作，单智能体开始面临上下文膨胀、工具过载和执行阻塞等问题。本次分享结合 Deep Agents 的子智能体机制，介绍主智能体如何将任务委派给具有独立指令、工具和模型的专业角色。分享将从任务委派、执行模型和编排方式三个层次，讲解同步子智能体、异步子智能体与动态子智能体的运行机制及相互关系，并从任务耗时、并发规模、交互方式、状态管理、结果契约和可观测性等维度讨论架构选型。分享中也会穿插代码审查、仓库分析等研发场景，帮助听众理解不同模式在实际任务中的作用，并形成一套可用于工程设计的选型思路。

内容大纲：
1. 从单智能体到子智能体协作

1.1 分析复杂任务中的上下文膨胀、工具过载和角色混杂问题。
1.2 介绍“主智能体负责协调、子智能体专业执行”的基本架构。
1.3 讲解子智能体在上下文隔离、专业分工和模型选择方面的价值。

2. 同步子智能体：可控的任务委派

2.1 拆解主智能体分派任务、等待执行并接收结果的运行流程。
2.2 说明多个任务并行执行但主流程仍需等待结果的同步语义。
2.3 讨论角色描述、系统指令、最小工具集和结构化输出等设计要点。

3. 异步子智能体：长任务的生命周期管理

3.1 讲解后台任务、独立线程与主智能体非阻塞交互之间的关系。

3.2 介绍任务启动、状态查询、追加指令、取消和结果回收流程。
3.3 分析状态持久化、部署方式及 Preview 阶段的能力边界。

4. 动态子智能体：代码驱动的任务编排

4.1 介绍如何通过解释器中的循环、分支和并行批次调度子智能体。
4.2 讲解分类路由、扇出汇总、多视角校验等典型编排模式。
4.3 结合批量文件处理说明动态编排的适用条件与 Beta 边界。

5. 从模式选型到工程化落地

5.1 澄清同步、异步解决执行与生命周期问题，动态机制解决任务编排问题。
5.2 根据任务耗时、任务数量、交互需求和状态要求选择并组合不同模式。
5.3 总结权限与工具边界、结果契约、失败处理、链路追踪和成本控制要点。

祝海林

InfiniSynapse 联合创始人

InfiniSynapse 联合创始人，拥有18年软件、数据与AI工程实践。曾任乐视云高级工程师、丁香园架构师、Kyligence技术合伙人及粤港澳大湾区数字研究院 Code Agent 研究员。长期聚焦大数据、分布式系统、AI基础设施与 Agentic Engineering，是 InfiniSQL、Byzer-LLM、Auto-Coder、auto-coder.RAG 与 InfiniSynapse 等项目主要作者。获 GitCode 2024 年度开源人物；Auto-Coder 入选 GitCode 年度十大开源项目；Byzer-SQL 获浦东人工智能创新大赛一等奖。

待定

多 Agent 不是多开几个模型：

Auto-Coder × InfiniSynapse 的协作合同与工程化验收

议题背景：
多 Agent 协作正在从热门探索走向工程化落地。现阶段，单 Agent 仍是主流，在大量任务中的整体效果也通常最优；但主从式（Master-Slave）Subagents 已在研发和数据场景中持续渗透，并逐步成为重要协作形态。单 Agent 的瓶颈不只在串行探索慢、上下文污染和窗口受限，还在于单一模型很难突破自身能力盲区。本次分享以 Auto-Coder 和 InfiniSynapse 的真实实现为主线，拆解三条已落地链路：Master-Slave Subagents、WorkFlow Agents 与模型/Agent Fusion；详细比较三种方案在任务拆分、会话共享、并行修改、结果融合、失败治理和最终验收上的优劣、适用边界与实践结果，并进一步介绍面向现实世界低占空比、长周期任务的 Sparse Agent 架构定义、实现与初步验证。

内容大纲：
1. 为什么单 Agent 到了工程上限

1.1 串行探索拖慢关键路径：探索、实现、验证只能排队，任务越长，等待与返工越明显
1.2 上下文污染、窗口上限与单模型能力盲区：角色和材料混在同一会话，信息互相挤压；让同一模型反复尝试，也很难解决其本身无法解决的问题

2. Auto-Coder：多 Backend 架构下的多 Agent 协作

2.1 Master-Slave Subagents：TUI/GUI → Backend Manager → 多 Backend 三层解耦；统一 conversation 维护共享上下文，各 Backend 保留原生 Session 绑定，支持切换、续跑和结果回收
2.2 WorkFlow Agents：Master 按探索、实现、独立验证三类角色编排不同 Backend，明确输入、边界、交付物和验收标准；主 Agent 始终保留最终验收责任
2.3 模型/Agent Fusion：在独立 Git worktree 中让不同 Backend、不同模型或多个同类 Agent 并行产出候选修改，再由评审 Agent 打分并以 RRF 融合排序，选择获胜补丁合入
2.4 方案取舍与踩坑：Master-Slave 强在动态分工，WorkFlow 强在稳定复用与可审计，Fusion 强在探索多样性；实践中重点治理过度委派、职责重叠、状态冲突、评审偏差和计算成本

3. InfiniSynapse：面向数据分析的类型化并行 Agent Teams

3.1 delegate 的五类专用 Agent：数据分析、通用、SQL 整理、浏览器、网络研究；以类型边界限制工具、权限与工作范围
3.2 独立上下文与工作区：文件显式传入传出，Session 受控共享，避免大结果和无关历史反向污染主 Agent
3.3 submit_output 结构化交卷：统一返回结论、证据和产物；配合超时取消及父任务中止传播，防止子任务失控或“假完成”
3.4 完整结果归档、压缩摘要回灌与主 Agent 汇总验收：既保留可追溯的原始输出，又控制主上下文体积；复盘并行收益、协调开销与失败恢复的实际经验

4. 从 Dense Agent 走向 Sparse Agent

4.1 重新定义问题：当前 Agent 多按密集、连续执行设计，而现实任务往往跨天或跨周，活跃时间短，却长期等待数据、审批、邮件、授权和人工反馈
4.2 Sparse Agent 架构：以长期任务及其完成标准定义持久化任务主体，在需要时调用人、Agent、工具与服务
4.3 已有实现与初步证据：600 次受控状态机试验未观察到不变量破坏；早期单用户快照覆盖 6 个服务、18 次激活序列，其中 4 个为多小时服务，聚合激活占空比 3.87%（Dense 参考为 99.92%）
4.4 未来方向与开放问题：如何评估低占空比 Agent 的长期可靠性、恢复质量、成本和责任边界，并推动 Sparse Agent 从架构定义与原型走向可复用的工程范式

听众收益：
1. 当前多agent 协作的主流方案。
2. 最新最前沿的 sparse agent 的探索。
3. 研发和数据双领域的前言实践。

李天龙

京东算法工程师

就职于京东，任算法工程师，负责AI基础架构与多智能体方向。设计并开源了多智能体协作框架OxyGent（GitHub 2k Stars），专注于降低多智能体应用的开发门槛与工程维护成本。同时，构建了OxyBank数据标注与语义检索平台，为Agent应用提供RAG知识库管理与自动化标注流水线；以及OxySourcing Agent工具路由平台，通过向量语义匹配解决Agent在海量Tool/Skill中的精准召回与召回质量持续优化问题。三者共同组成覆盖"智能体编排—数据供给—工具路由"的完整Agent基建体系，致力于解决大模型应用从原型走向规模化落地过程中的工程效能与质量难题。
在技术实践上，深耕多智能体协作编排、RAG系统构建及LLM可观测性，擅长将复杂AI技术转化为可落地的工程方案。目前正基于OxyGent框架推进多个核心业务的Agent化改造，在多智能体系统的质量保障与效能优化方面积累了丰富的一线实践经验。

待定

OxyGent 多智能体协作框架：

从协作编排到生产级状态管理与可观测调试

议题背景：
单智能体在简单场景下效果尚可，但面对企业级复杂任务（多步推理、跨系统协作、并行处理），单体架构迅速触及能力天花板。行业转向多智能体协作，却面临三大工程难题：一是编排模式选型困难——不同模式各有适用场景，但缺少统一抽象，切换模式等于重写代码；二是智能体间通信与状态管理复杂——多Agent共享上下文如何传递、隔离与持久化，尤其在分布式部署下更为棘手；三是测试与调试效率低——多Agent长链路每次测试都要从头跑，token消耗大、等待时间长，且LLM输出不确定导致问题难以复现和定位。我们的实践方向是：设计统一的Oxy抽象层，让Tool/LLM/Agent/Flow共享同一套生命周期与通信协议，在此基础上实现编排模式可插拔、状态可追踪、测试可加速的生产级多智能体系统。

内容大纲：
1. 为什么需要多智能体编排框架

1.1 单Agent的能力瓶颈：上下文窗口爆炸、工具冲突、职责不清
1.2 多Agent协作的工程复杂度：从"写一个Agent"到"管理一组Agent"

2. 统一抽象与核心编排架构

2.1 Oxy统一抽象：Tool/LLM/Agent/Flow共享生命周期，一切皆可调度单元

2.1.1 设计动机：早期Tool和Agent接口不一致，子Agent调用Tool的错误传播链断裂，统一后编排层代码减少70%

2.2 核心编排模式的实现

2.2.1 编排器-工作器模式：Master Agent持有sub_agents列表，LLM动态决策调度哪个子Agent
2.2.2 流水线模式：多Agent分阶段串行执行，支持阶段间状态透传与自反馈循环
2.2.3 辩论/并行模式：同一任务分发至多个Agent并行执行，结果聚合后由上层裁决
2.2.4 踩坑：纯LLM路由在Agent/Tool数量超过20个时准确率骤降，引入OxySourcing向量召回做预筛选后路由稳定性回升

3. 智能体间通信机制与状态管理

3.1 通信机制设计

3.1.1 本地通信：OxyRequest/OxyResponse信封 + call()统一派发，权限校验+超时守护内置
3.1.2 分布式通信：SSEOxyGent实现跨进程Agent调用（HTTP/SSE流式），RemoteAgent透明代理
3.1.3 跨框架互操作：A2A协议实现OxyGent与LangGraph、AgentScope等异构Agent互调

3.2 状态管理三层模型

3.2.1 节点级：每个Oxy执行节点自带独立上下文（input/output/state）
3.2.2 会话级：shared_data在整棵调用树中向下传递，子Agent可读可写
3.2.3 持久化：全量节点数据写入ES，支持trace_id DAG形成完整调用图

4. 测试效率与可观测调试

4.1 节点级缓存回放加速多轮测试

4.1.1 基于trace_id + 输入MD5实现确定性缓存，重复测试时已通过节点直接跳过
4.1.2 收益：多Agent长链路（8+轮调用）的反复测试，token消耗和等待时间降低80%+

4.2 全链路可观测

4.2.1 trace_id DAG追踪 + 结构化日志自动注入trace上下文
4.2.2 Web UI实时查看Trace Graph，点击即可定位问题节点并一键重跑
4.2.3 收益：线上Agent故障定位时间从"翻日志30分钟"降至"Trace Graph 2分钟"

5. 落地效果与开源实践

5.1 生产落地数据：框架支撑10+业务Agent、新场景接入从3天缩短至半天
5.2 开源社区反馈驱动的迭代：2k Stars背后，社区需求如何反哺框架设计
5.3 下一步方向：自演化编排（Agent自主决定协作拓扑）

听众收益：
1. 掌握多智能体编排的核心模式的适用场景与工程实现方式，获得可直接落地的技术选型依据。
2. 了解生产级多智能体系统的状态管理与通信设计——包括本地/分布式/跨框架三层通信、shared_data隔离策略、以及A2A协议互操作的实战经验。
3. 获得一套多Agent长链路的高效测试与调试方案——节点级缓存回放大幅降低重复测试成本、LLM调用容错降级、全链路Trace可观测，解决"多Agent链路改一个节点就要全部重跑"的效率痛点。