多 Agent 通信模式：消息传递、共享状态、黑板模式
难度：基础 分类：Multi-Agent
简短回答
多 Agent 通信有三种基本模式：消息传递（Message Passing）——Agent 间通过点对点或广播方式直接交换结构化消息，适合动态、针对性的信息共享；共享状态（Shared State）——所有 Agent 读写同一个状态存储（如数据库、Key-Value Store），提供一致的全局视图，但可能成为瓶颈；黑板模式（Blackboard）——Agent 围绕一个共享的"黑板"协作，各自观察黑板上的信息，基于自身专长决定是否贡献输出。研究表明黑板模式在端到端任务成功率上比传统模式提升 13%-57%，同时具有更好的 token 效率。
详细解析
模式 1：消息传递（Message Passing）
Agent 之间通过直接发送消息通信，类似人类之间发消息：
代码块
Python
# 点对点消息传递
class MessageBus:
def __init__(self):
self.queues = {} # agent_id → message_queue
async def send(self, from_agent: str, to_agent: str, message: dict):
"""发送消息给特定 Agent"""
msg = {
"from": from_agent,
"to": to_agent,
"content": message,
"timestamp": datetime.now()
}
await self.queues[to_agent].put(msg)
async def broadcast(self, from_agent: str, message: dict):
"""广播消息给所有 Agent"""
for agent_id, queue in self.queues.items():
if agent_id != from_agent:
await queue.put({"from": from_agent, "content": message})
# 使用示例
bus = MessageBus()
await bus.send("researcher", "writer",
{"type": "research_complete", "data": findings})
优势： 针对性强、延迟低、Agent 间解耦 劣势： 可能形成信息孤岛、路由逻辑复杂、难以保证全局一致性
生产实现： 通常使用消息队列（RabbitMQ、Redis Streams）实现可靠的异步消息传递。
注：本题讨论的是「通信模式」（Agent 之间如何交换信息），与第 033 题的「编排模式」（Hub-Spoke / Pipeline / Hierarchical 等控制流结构）是正交维度——一个 Pipeline 编排既可以用消息传递实现，也可以用共享状态实现。
模式 2：共享状态（Shared State）
所有 Agent 读写同一个全局状态，类似多人编辑同一个文档：
代码块
Python
# 共享状态模式（LangGraph 风格）
from typing import TypedDict, Annotated
class SharedState(TypedDict):
messages: list[str]
research_data: dict
draft: str
review_comments: list[str]
status: str
# 每个 Agent 读取状态、处理、更新状态
def researcher_node(state: SharedState) -> SharedState:
# 读取当前状态
query = state["messages"][-1]
# 执行研究
data = search(query)
# 更新共享状态
return {"research_data": data, "status": "research_complete"}
优势： 全局一致视图、状态可持久化、便于调试（检查状态快照） 劣势： 可能成为吞吐瓶颈、需要锁机制防止竞态条件、单点故障风险
并发控制：
代码块
Python
# 防止竞态条件
import asyncio
class SafeSharedState:
def __init__(self):
self.state = {}
模式 3：黑板模式（Blackboard）
经典 AI 架构模式，Agent 围绕共享"黑板"自主协作：
代码块
Python
class Blackboard:
def __init__(self):
self.public_space = [] # 公共区域：所有 Agent 可见
self.private_spaces = {} # 私有区域：各 Agent 独立空间
def post(self, agent_id: str, content: dict, visibility="public"):
entry = {
"author": agent_id,
黑板模式 = 控制器调度下的「读 → 处理 → 写回」循环：Agent 观察黑板自主贡献，迭代直至问题解决。
黑板模式的关键特性：
•
自愿参与：Agent 基于自身专长决定是否响应黑板上的请求
•
迭代精化：多轮读取-处理-写回，逐步完善解决方案
•
去中心化：不需要协调器预先知道所有 Agent 的能力
•
Token 高效：共享公共记忆替代个体记忆，减少重复
研究结果： 黑板架构在端到端任务成功率上比 RAG 和 Master-Slave 模式提升 13%-57%。
三种模式对比
#gZwtzZDSeGCu text{white-space:pre}.fb0{stroke:var(--N900-FG, 0.15)}.fx0{stroke-miterlimit:10}.fa1{fill:#bbbfc4}.fx1{font:normal 400 12px MonospacedNumber,LarkHackSafariFont,LarkEmojiFont,LarkChineseQuote,-apple-system,BlinkMacSystemFont,Helvetica Neue,Tahoma,PingFang SC,Microsoft Yahei,Arial,Hiragino Sans GB,sans-serif,Apple Color Emoji,Segoe UI Emoji,Segoe UI Symbol,Noto Color Emoji}.fx2{text-anchor:middle}.fx3{dominant-baseline:central}.fx4{stroke:none}.fc0{fill:var(--text-caption)}.fa2{fill:var(--text-link-disabled)}.fx5{font:400 normal 16px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"}.fx6{text-anchor:start}.fx7{dominant-baseline:alphabetic}.fc1{fill:rgb(31, 35, 40)}.fb1{fill:var(--N900-FG, 0.15)}.fb2{fill:rgb(209, 217, 224)}.fa3{fill:var(--bg-body)}ABCD12345678维度通信方式耦合度扩展性一致性Token 效率调试难度通信落地示例消息传递点对点/广播低高最终一致低（重复传递）高（追踪消息流）AutoGen GroupChat、消息队列共享状态读写全局存储中中（可能瓶颈）强一致中低（检查状态）LangGraph State（编排框架内置）黑板模式读写共享空间低高最终一致高（共享上下文）中LbMAS、Terrarium
实际选择指南
代码块
Python
def choose_pattern(scenario):
if scenario == "少量 Agent + 简单流程":
return "共享状态（LangGraph State）"
elif scenario == "Agent 数量多 + 动态组合":
return "黑板模式"
elif scenario == "异步处理 + 微服务架构":
return "消息传递（消息队列）"
elif scenario == "需要最大灵活性":
常见误区 / 面试追问
误区："消息传递就是聊天" — 多 Agent 通信中的消息传递是结构化的、带类型的数据交换，不是自然语言对话。消息应包含类型、发送者、接收者、数据负载和时间戳。
误区："共享状态很简单，用全局变量就行" — 生产环境中共享状态需要锁机制、版本控制和持久化。多 Agent 并发读写同一状态时，必须防止竞态条件。
追问："黑板模式和共享状态有什么本质区别？" — 共享状态是被动的数据存储，Agent 按预定流程读写；黑板模式是主动的协作平台，Agent 自主观察黑板内容并决定是否参与。黑板有控制器决定执行顺序，Agent 有自愿参与的机制。
追问："如何处理 Agent 间的信息冗余？" — 研究显示 token 冗余率可达 53-86%。解决方案包括：消息摘要（传递摘要而非原文）、黑板的公共记忆（替代个体记忆）、去重机制。