跨整个组织的简单多智能体架构。让一切保持循环。

目前，我们正在组织规模上运行智能体。在初期阶段，我们遇到了多个问题，如凭证问题、状态问题和执行追踪问题，但我们已经克服了它们，以下是我们的简化架构。我们的设置针对**共享上下文层**运行三类智能体。观察者智能体位于边缘，拉取外部信号并写入结构化事件。任务智能体从该流中获取工作，执行有界操作，并将结果写回。目标智能体读取完整的执行历史，制定计划，对任务智能体进行排序，并在条件变化时重新计划。 [LangGraph ](https://github.com/langchain-ai/langgraph)处理目标智能体层。有状态的图结构映射了目标智能体的工作方式：条件分支、检查点状态以及在任务智能体失败或返回部分结果时从中断计划恢复的能力。手工编写那种逻辑最终会导致六个月后没人愿意碰的编排代码。 [CrewAI ](https://crewai.com/)处理任务协调。基于角色的智能体分配，带有共享的短期和长期记忆，外加一个在开始执行前对任务进行排序的规划智能体。Crew模型与面向任务的智能体类足够接近，我们无需自定义脚手架即可使用它。 [Harbor ](https://tryharbor.io/)位于所有这一切之下。队伍中的每个智能体通过Harbor的工作空间模型获得对工具、文件和工作流的范围访问。凭证保留在Harbor中，而不是模型上下文中。每次工具调用都会产生一个追踪。当智能体调用数据库、访问外部API或触发下游工作流时，该操作会记录完整的来源。在队伍规模下，这个追踪层能让你在一小时内而不是一天内调试故障。基于环的协议在此之上管理消息路由。环0中的内核智能体管理智能体生命周期。环1中的协调器根据智能体元数据和分类路由消息。环2中的目标智能体将意图分解为任务计划。环3中的任务智能体以最小权限执行。环4中的观察者智能体持续运行，发布事件而不做决策。随着共享对话的深入，新的智能体比早期智能体拥有更丰富的操作历史。我们最好的事情是，随着历史的增长，每个智能体的协调开销会下降。