在 AI Agent 项目落地时，不少团队会首先纠结“用单 Agent 还是多 Agent”。掘金近日一篇 Agent 架构选型文章给出的判断是：这个问题问得太早。文章援引 Anthropic 在《Building Effective Agents》中的建议：优先实现 workflow，只有在真正需要时才求助于 agent。也就是说，95% 的场景应先判断流程能否固定；能固定就用固定流程，不能固定且需要中间决策时，才考虑让模型在运行时自主决定。多 Agent 也不是架构升级，而是一种昂贵的兜底方案。
先分清 workflow 与 agent：可靠性优先，灵活性兜底
文章把选型基础分为两类：workflow 与 agent。workflow 是在设计阶段定义步骤、顺序、分支和 fallback，系统每次运行都按同一套结构执行。模型即使参与，也只是在特定位置生成文本，不决定流程形态。agent 则不同：系统给模型一个目标和一批工具，由模型自己决定执行步骤、调用工具以及是否继续。Anthropic 将 agent 描述为“LLM 动态地指挥自己的流程和工具使用的系统”，将 workflow 描述为“预定义的代码路径”。二者并非非黑即白，而是一条从固定流程到自主执行的连续光谱。
这种区分直接影响成本、可控性和排障难度。workflow 的复杂度可以在设计阶段一次性想清楚；agent 的复杂度则被推迟到每次运行时重新决策，意味着更高的 token 消耗、更不可控的输出，以及更难定位的失败。文章给出的判断口诀是：流程清晰且可重复，先用 workflow；流程随输入变化、需要中间决策，再考虑 agent；项目初期先从 workflow 开始，等结果变弱后再引入 agent。
单 Agent 何时够用：工具少、步骤可预估、便于调试
如果确认任务需要 agent，单 Agent 是多数场景的默认选择。文章认为，当任务满足成本低、可控、好调试等条件时，单 Agent 就是最优解。开发者只需要提供明确的工具清单和合适的 system prompt，而不必立即引入复杂编排。
反例同样明确：如果任务需要 8 个以上工具、步骤超过 10 步，且中间步骤需要纠错，单 Agent 会变慢、变贵、变不稳定。这时才进入多 Agent 的讨论范围。
但多 Agent 并不自动等于更高收益。文章列出两类真正值得使用多 Agent 的场景：
- 真并行：任务可以拆成互不依赖的子块，并行执行比串行拼接更快。例如同时调研 10 个公司、同时分析 20 份文档。文章称，在可并行任务上，多 Agent 有明显提升；但在顺序推理任务上，多 Agent 普遍退化，因为 Agent 之间的交接会丢失上下文。
- 生成 + 校验双角色：一个 Agent 负责生成，另一个 Agent 以新视角审查。由于 LLM 自我纠错能力有限，换一个视角的批评者可以发现生成者忽略的问题。这种结构提升较大，代价相对较小。
在这两类之外，多 Agent 往往是负收益。文章用成功率说明顺序链路的风险：假设单步可靠率为 95%，5 步链路成功率降至 77.4%，10 步降至 59.9%；如果单步可靠率只有 90%，10 步只剩 34.9%。这也是“单 Agent 能干的活，别上多 Agent”的数学依据。
编排模式怎么选：ReAct、规划执行、编排者-工人各有边界
确认需要 agent 后，下一步是选择编排模式。文章比较了三种常见方案。ReAct 采用“推理-行动交替”的单模型循环，适合简单问答、研究助手和 3~5 个工具的单目的 agent，不适合复杂多步、需要规划和中途恢复的场景。Planner-Executor 由规划模型提前制定完整计划，再由执行器按依赖顺序执行，适合结构清晰、可预测的文档解析和数据转换任务，但在开放式、路径依赖发现的研究任务中容易受困。Orchestrator-Worker 由编排者拆解任务、分发给多个 worker，再聚合结果，适合广度优先、可并行的工作。
文章援引 Anthropic 的实测称，orchestrator-worker 比单 Agent 好约 90%，但烧掉约 15 倍 token；而在同等算力预算下，多 Agent 只换来约 4% 的提升，付出 4 倍成本。换句话说，多 Agent 的性价比取决于是否能买到真实收益：要么是并行带来的速度，要么是新视角带来的质量提升。如果任务既不能并行，也不需要生成-校验双角色，多 Agent 就接近纯成本消耗。
在框架选择上，文章给出的判断逻辑是：需要严格执行控制，可选 LangGraph；希望快速搭建、偏自然直觉，可选 CrewAI；追求实时低延迟，可关注实验性的 Swarm；遇到 AutoGen，新项目不建议继续使用，因为其维护模式已标注。
行业意义：Agent 选型正在回到成本、可靠性和工程控制
这篇选型指南的价值，在于把 Agent 架构从“能力想象”拉回工程账本。过去不少团队把多 Agent 视为更先进的系统形态，但生产环境真正关心的是流程是否可重复、成本是否可控、失败是否可排查。workflow 优先，意味着把确定性交给代码；agent 兜底，意味着只在流程无法预判、需要实时决策时引入模型自主性。
对开发者而言，这种选型方式降低了决策门槛：流程能固定，就不要先碰 agent；必须自治但工具少、步骤可预估，可以使用单 Agent ReAct；只有任务能真并行，或需要生成与校验双角色时，才值得引入多 Agent。对 AI 应用行业而言，这也说明 Agent 竞争正在从模型能力展示，转向可靠性、成本和工程组织能力的综合比拼。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/duo-agent-bu-shi-ai-ying-yong-de-mo-ren-sheng-ji-xiang-xian
