多Agent协作模式

多Agent协作模式：文章优化系统

基于"分而治之"思想的多Agent协作模式，实现高质量文章优化

本文档详细讲解基于多Agent协作思想的文章优化系统，通过多个专业化Agent的分工协作，实现文章的主题分析、语言优化、内容丰富和可读性提升。

目录

1. 系统概述
2. 核心思想：多Agent协作
3. 系统架构设计
4. 代码实现详解
5. 优势分析
6. 解决的问题
7. 完整代码
8. 使用示例
9. 扩展建议
10. 参考资料

系统概述

什么是多Agent协作？

多Agent协作是一种将复杂任务分解为多个子任务，由不同的专业化Agent分别处理，最后整合结果的AI系统设计模式。

文章优化系统的目标

通过多个专业化Agent的协作，对文章进行全方位的优化：

• 主题分析：理解文章核心主题
• 语言优化：改进语法和用词
• 内容丰富：提出内容扩展建议
• 可读性提升：改善文章结构和表达
• 综合优化：整合所有建议，生成优化后的文章

核心思想：多Agent协作

设计理念

单一Agent处理复杂任务 ↓ 问题：任务复杂，容易出错，难以聚焦 ↓ 分解为多个专业化Agent ↓ 优势：各司其职，专业聚焦，结果更优 ↓ 协作完成整体任务

工作流程

原始文章 ↓ ┌─────────────────────────────────┐ │ 主题分析Agent │ │ 分析文章主题 │ └───────────┬─────────────────────┘ ↓ 主题结果 ┌─────────────────────────────────┐ │ 语言优化Agent │ │ 检查语法和用词 │ ├─────────────────────────────────┤ │ 内容丰富Agent │ │ 提出扩展建议 │ ├─────────────────────────────────┤ │ 可读性评价Agent │ │ 评估可读性 │ └───────────┬─────────────────────┘ ↓ 所有建议 ┌─────────────────────────────────┐ │ 综合优化Agent │ │ 整合所有建议，生成优化文章 │ └─────────────────────────────────┘ ↓ 优化后的文章

系统架构设计

Agent分工

数据流

原始文章 ↓ 主题分析Agent → 主题结果 ↓ ├─→ 语言优化Agent → 语言建议 ├─→ 内容丰富Agent → 内容建议 └─→ 可读性评价Agent → 可读性建议 ↓ 综合优化Agent ← 所有建议 ↓ 优化后的文章

代码实现详解

1. 基础调用函数

defcall_large_model(prompt):"""调用大语言模型的统一接口"""client=ZhipuAiClient(api_key=os.environ.get("zhipuApiKey"))response=client.chat.completions.create(model="glm-3-turbo",messages=[{"role":"user","content":prompt},],)response_text=response.choices[0].message.contentreturnresponse_text

作用：

• 封装大模型调用逻辑
• 统一接口，便于维护
• 使用智谱AI的GLM-3-Turbo模型

2. 主题分析Agent

deftheme_analysis_agent(article_text):"""分析文章主题"""prompt_analysis=f"请分析并输出以下文章的主题：{article_text}"theme_analysis_result=call_large_model(prompt_analysis)returntheme_analysis_result

功能：

• 理解文章的核心主题
• 为后续Agent提供上下文信息
• 使用简洁的提示词，让模型专注于主题提取

输出示例：

这篇文章的主题是分析《黑神话：悟空》游戏成功的原因，主要从文化内涵、视觉呈现、游戏品质和宣传推广四个方面进行阐述。

3. 语言优化Agent

deflanguage_optimization_agent(article_text,theme_analysis_result):"""检查语法和用词，提出优化建议"""prompt_language=f"""请检查下面这篇文章中的语法错误和用词不当之处，并提出优化建议。 建议要尽量简练，不超过100字。 文章主题：{theme_analysis_result}文章内容：{article_text}"""language_optimization_suggestions=call_large_model(prompt_language)returnlanguage_optimization_suggestions

功能：

• 检查语法错误
• 识别用词不当
• 提出简洁的优化建议（不超过100字）

关键点：

• 接收主题分析结果，确保建议与主题一致
• 限制建议长度，避免冗余

4. 内容丰富Agent

defcontent_enrichment_agent(article_text,theme_analysis_result):"""提出内容扩展和丰富建议"""prompt_content=f"""请阅读下面这篇文章，根据主题为该文章提出可以进一步扩展和丰富的内容点或改进建议， 比如添加案例、引用数据等。建议要尽量简练，不超过100字。 文章主题：{theme_analysis_result}文章内容：{article_text}"""content_enrichment_suggestions=call_large_model(prompt_content)returncontent_enrichment_suggestions

功能：

• 识别内容薄弱环节
• 提出扩展建议（案例、数据、引用等）
• 确保建议与主题相关

5. 可读性评价Agent

defreadability_evaluation_agent(article_text,theme_analysis_result):"""评估文章可读性，提出改进建议"""prompt_readability=f"""请阅读下面这篇文章，根据主题评估该文章的可读性， 包括段落长度、句子复杂度等，提出一些有助于文章传播的改进建议。 建议要尽量简练，不超过100字。 文章主题：{theme_analysis_result}文章内容：{article_text}"""readability_evaluation_result=call_large_model(prompt_readability)returnreadability_evaluation_result

功能：

• 评估段落长度是否合适
• 分析句子复杂度
• 提出提升传播效果的改进建议

6. 综合优化Agent

defcomprehensive_optimization_agent(article,theme_analysis_result,language_optimization_suggestions,content_enrichment_suggestions,readability_evaluation_result):"""整合所有建议，生成优化后的文章"""final_optimization_plan=f"""请阅读下面这篇文章，以及若干个负责专项优化的agent给出的改进建议， 重写这篇文章，提升文章的整体质量。 文章原文:{article}文章主题分析：{theme_analysis_result}语言优化建议：{language_optimization_suggestions}内容丰富建议：{content_enrichment_suggestions}可读改进建议：{readability_evaluation_result}。 优化后文章："""final_optimization_result=call_large_model(final_optimization_plan)returnfinal_optimization_result

功能：

• 整合所有Agent的建议
• 综合考虑多个维度
• 生成最终优化后的文章

关键点：

• 将所有建议作为上下文提供给模型
• 让模型综合权衡，生成最优结果

7. 主流程

# 1. 主题分析theme_analysis_result=theme_analysis_agent(article)# 2. 并行执行三个优化Agent（可以并行，但代码中是串行）language_optimization_suggestions=language_optimization_agent(article,theme_analysis_result)content_enrichment_suggestions=content_enrichment_agent(article,theme_analysis_result)readability_evaluation_result=readability_evaluation_agent(article,theme_analysis_result)# 3. 综合优化final_optimization_plan=comprehensive_optimization_agent(article,theme_analysis_result,language_optimization_suggestions,content_enrichment_suggestions,readability_evaluation_result)# 4. 保存结果results={"主题分析结果":theme_analysis_result,"语言优化建议":language_optimization_suggestions,"内容丰富建议":content_enrichment_suggestions,"可读性评价结果":readability_evaluation_result,"最终优化方案":final_optimization_plan}withopen('results.json','w',encoding='utf-8')asf:json.dump(results,f,ensure_ascii=False,indent=4)

优势分析

1. 专业化分工

优势：

• ✅ 每个Agent专注于单一任务，专业性强
• ✅ 提示词更精准，效果更好
• ✅ 易于优化和维护

对比：

单一Agent方式： "请优化这篇文章" → 任务太宽泛，效果一般 多Agent方式： "请分析主题" → 聚焦明确，效果更好 "请检查语法" → 任务清晰，结果准确

2. 结果可解释性

优势：

• ✅ 每个步骤的结果都可见
• ✅ 可以追踪优化过程
• ✅ 便于人工审核和调整

示例：

{"主题分析结果":"...","语言优化建议":"...","内容丰富建议":"...","可读性评价结果":"...","最终优化方案":"..."}

3. 灵活性和可扩展性

优势：

• ✅ 可以轻松添加新的Agent
• ✅ 可以调整Agent的执行顺序
• ✅ 可以针对不同场景定制Agent

扩展示例：

# 可以添加新的Agentdefstyle_optimization_agent(article_text,theme_analysis_result):"""风格优化Agent"""# ...defstructure_optimization_agent(article_text,theme_analysis_result):"""结构优化Agent"""# ...

4. 并行处理能力

优势：

• ✅ 多个Agent可以并行执行（需要修改代码）
• ✅ 提高处理效率
• ✅ 充分利用计算资源

并行优化：

importconcurrent.futures# 并行执行三个Agentwithconcurrent.futures.ThreadPoolExecutor()asexecutor:language_future=executor.submit(language_optimization_agent,article,theme_analysis_result)content_future=executor.submit(content_enrichment_agent,article,theme_analysis_result)readability_future=executor.submit(readability_evaluation_agent,article,theme_analysis_result)language_optimization_suggestions=language_future.result()content_enrichment_suggestions=content_future.result()readability_evaluation_result=readability_future.result()

5. 质量控制

优势：

• ✅ 每个Agent都有明确的输出要求（如"不超过100字"）
• ✅ 可以单独验证每个Agent的输出
• ✅ 便于调试和优化

解决的问题

1. 复杂任务难以一次性完成

问题：

• 文章优化涉及多个维度（语言、内容、结构、可读性）
• 单一提示词难以覆盖所有方面
• 结果质量不稳定

解决方案：

• 将复杂任务分解为多个子任务
• 每个Agent专注一个维度
• 最后整合所有结果

2. 优化建议缺乏针对性

问题：

• 通用优化建议往往不够精准
• 没有考虑文章的具体主题和上下文

解决方案：

• 主题分析Agent提供上下文
• 其他Agent基于主题给出针对性建议
• 确保建议与文章主题一致

3. 优化过程不透明

问题：

• 不知道文章是如何优化的
• 无法追踪优化过程
• 难以人工干预

解决方案：

• 每个Agent的输出都保存
• 可以查看每个步骤的结果
• 便于人工审核和调整

4. 难以平衡多个优化维度

问题：

• 语言优化可能与内容丰富冲突
• 难以同时兼顾多个方面

解决方案：

• 综合优化Agent整合所有建议
• 让模型综合权衡
• 生成平衡的优化结果

5. 扩展性差

问题：

• 单一Agent难以扩展新功能
• 修改影响范围大

解决方案：

• 模块化设计，易于添加新Agent
• 每个Agent独立，互不影响
• 可以灵活组合使用

完整代码

#coding:utf-8importosimportjsonfromzaiimportZhipuAiClient''' 利用agent思想优化文章 多Agent协作模式：通过多个专业化Agent的分工协作，实现文章的全方位优化 '''# 安装依赖：pip install zhipuai# API Key获取：https://open.bigmodel.cn/ 注册获取APIKey# 设置环境变量：export zhipuApiKey="your_api_key" (Linux/Mac)# 或：set zhipuApiKey=your_api_key (Windows CMD)# 或：$env:zhipuApiKey="your_api_key" (Windows PowerShell)defcall_large_model(prompt):""" 调用大语言模型的统一接口 Args: prompt: 提示词 Returns: str: 模型返回的文本内容 """client=ZhipuAiClient(api_key=os.environ.get("zhipuApiKey"))response=client.chat.completions.create(model="glm-3-turbo",# 使用智谱AI的GLM-3-Turbo模型messages=[{"role":"user","content":prompt},],)response_text=response.choices[0].message.contentreturnresponse_text# ==================== 专业化Agent定义 ====================deftheme_analysis_agent(article_text):""" 主题分析Agent：分析文章的核心主题 Args: article_text: 文章内容 Returns: str: 主题分析结果 """prompt_analysis=f"请分析并输出以下文章的主题：{article_text}"theme_analysis_result=call_large_model(prompt_analysis)returntheme_analysis_resultdeflanguage_optimization_agent(article_text,theme_analysis_result):""" 语言优化Agent：检查语法错误和用词不当，提出优化建议 Args: article_text: 文章内容 theme_analysis_result: 主题分析结果 Returns: str: 语言优化建议（不超过100字） """prompt_language=f"""请检查下面这篇文章中的语法错误和用词不当之处，并提出优化建议。 建议要尽量简练，不超过100字。 文章主题：{theme_analysis_result}文章内容：{article_text}"""language_optimization_suggestions=call_large_model(prompt_language)returnlanguage_optimization_suggestionsdefcontent_enrichment_agent(article_text,theme_analysis_result):""" 内容丰富Agent：提出内容扩展和丰富建议 Args: article_text: 文章内容 theme_analysis_result: 主题分析结果 Returns: str: 内容丰富建议（不超过100字） """prompt_content=f"""请阅读下面这篇文章，根据主题为该文章提出可以进一步扩展和丰富的内容点或改进建议， 比如添加案例、引用数据等。建议要尽量简练，不超过100字。 文章主题：{theme_analysis_result}文章内容：{article_text}"""content_enrichment_suggestions=call_large_model(prompt_content)returncontent_enrichment_suggestionsdefreadability_evaluation_agent(article_text,theme_analysis_result):""" 可读性评价Agent：评估文章可读性，提出改进建议 Args: article_text: 文章内容 theme_analysis_result: 主题分析结果 Returns: str: 可读性改进建议（不超过100字） """prompt_readability=f"""请阅读下面这篇文章，根据主题评估该文章的可读性， 包括段落长度、句子复杂度等，提出一些有助于文章传播的改进建议。 建议要尽量简练，不超过100字。 文章主题：{theme_analysis_result}文章内容：{article_text}"""readability_evaluation_result=call_large_model(prompt_readability)returnreadability_evaluation_resultdefcomprehensive_optimization_agent(article,theme_analysis_result,language_optimization_suggestions,content_enrichment_suggestions,readability_evaluation_result):""" 综合优化Agent：整合所有建议，生成优化后的文章 Args: article: 原始文章 theme_analysis_result: 主题分析结果 language_optimization_suggestions: 语言优化建议 content_enrichment_suggestions: 内容丰富建议 readability_evaluation_result: 可读性评价结果 Returns: str: 优化后的文章 """final_optimization_plan=f"""请阅读下面这篇文章，以及若干个负责专项优化的agent给出的改进建议， 重写这篇文章，提升文章的整体质量。 文章原文:{article}文章主题分析：{theme_analysis_result}语言优化建议：{language_optimization_suggestions}内容丰富建议：{content_enrichment_suggestions}可读改进建议：{readability_evaluation_result}。 优化后文章："""final_optimization_result=call_large_model(final_optimization_plan)returnfinal_optimization_result# ==================== 主程序 ====================if__name__=="__main__":# 示例文章article=""" 2024年8月20日，国产游戏《黑神话：悟空》正式上线，迅速引发了全网的热议与追捧，其火爆程度令人惊叹。黑悟空之所以能如此之火，原因是多方面的。 从文化内涵来看，《黑神话：悟空》深深扎根于中国传统文化。《西游记》作为中国文学的经典之作，孙悟空更是家喻户晓的英雄形象，承载着无数国人的童年回忆和文化情感。该游戏以孙悟空为主角，让玩家能够在游戏中亲身扮演齐天大圣，体验其神通广大与英勇无畏，这种文化认同感和情感共鸣是黑悟空火爆的重要基础。它不仅仅是一款游戏，更像是一场文化的回归与盛宴，让玩家在游戏的世界里重新领略中国神话的魅力，使得传统文化以一种全新的、生动的方式呈现在大众面前。 在视觉呈现方面，黑悟空堪称一场视觉盛宴。制作团队不惜投入大量的时间和精力，运用先进的游戏制作技术，精心打造了美轮美奂的游戏画面。从细腻逼真的环境场景，到栩栩如生的角色形象，再到炫酷华丽的技能特效，每一个细节都展现出了极高的制作水准。无论是神秘奇幻的山林洞穴，还是气势恢宏的天庭宫殿，都仿佛让玩家身临其境，沉浸在一个充满想象力的神话世界之中。这种极致的视觉体验，极大地满足了玩家对于游戏画面品质的追求，也是吸引众多玩家的关键因素之一。 游戏品质上，黑悟空也达到了相当高的水平。它拥有丰富多样且极具挑战性的关卡设计，玩家需要运用智慧和技巧，不断探索、战斗，才能逐步推进游戏进程。角色的技能系统丰富且独特，玩家可以通过不同的技能组合，发挥出孙悟空的各种强大能力，增加了游戏的可玩性和策略性。同时，游戏的剧情紧凑且富有深度，在遵循原著故事框架的基础上，进行了大胆的创新和拓展，为玩家呈现了一个既熟悉又充满新鲜感的西游世界，让玩家在享受游戏乐趣的同时，也能感受到一个精彩绝伦的故事。 再者，宣传推广策略也为黑悟空的火爆添了一把柴。从 2020 年开始，制作方每年 8 月 20 日都会公开最新的实机视频，这些视频在网络上广泛传播，引发了大量关注和讨论，成功地为游戏上线预热造势。在社交媒体上，关于黑悟空的话题热度持续攀升，玩家们纷纷自发地宣传分享，形成了强大的传播效应。此外，针对海外市场，黑悟空也积极开展宣传活动，通过号召海外网友参与视频投稿、与博主合作推广等方式，有效地扩大了游戏在国际上的影响力。 《黑神话：悟空》的火爆并非偶然，而是其在文化内涵、视觉呈现、游戏品质以及宣传推广等多个方面共同发力的结果。它的成功，不仅为国产游戏树立了新的标杆，也证明了中国游戏产业在技术和创意上的巨大潜力。相信在黑悟空的带动下，未来会有更多优秀的国产游戏涌现，推动中国游戏产业不断向前发展，让中国的游戏文化在全球舞台上绽放更加耀眼的光芒。同时，黑悟空也为传统文化的传承与创新提供了新的思路和途径，让传统文化在现代社会中焕发出新的活力与生机。它不仅仅是一款游戏的成功，更是中国文化与现代科技融合发展的一个精彩范例，其影响力必将深远而持久。 """print("="*60)print("开始文章优化流程...")print("="*60)# 步骤1：主题分析print("\n【步骤1】主题分析中...")theme_analysis_result=theme_analysis_agent(article)print(f"主题分析结果：{theme_analysis_result[:100]}...")# 步骤2：并行执行三个优化Agentprint("\n【步骤2】执行优化Agent...")language_optimization_suggestions=language_optimization_agent(article,theme_analysis_result)print(f"语言优化建议：{language_optimization_suggestions[:100]}...")content_enrichment_suggestions=content_enrichment_agent(article,theme_analysis_result)print(f"内容丰富建议：{content_enrichment_suggestions[:100]}...")readability_evaluation_result=readability_evaluation_agent(article,theme_analysis_result)print(f"可读性评价结果：{readability_evaluation_result[:100]}...")# 步骤3：综合优化print("\n【步骤3】综合优化中...")final_optimization_plan=comprehensive_optimization_agent(article,theme_analysis_result,language_optimization_suggestions,content_enrichment_suggestions,readability_evaluation_result)# 步骤4：保存结果print("\n【步骤4】保存结果...")results={"主题分析结果":theme_analysis_result,"语言优化建议":language_optimization_suggestions,"内容丰富建议":content_enrichment_suggestions,"可读性评价结果":readability_evaluation_result,"最终优化方案":final_optimization_plan}# 保存为JSON文件withopen('results.json','w',encoding='utf-8')asf:json.dump(results,f,ensure_ascii=False,indent=4)print("\n"+"="*60)print("优化完成！结果已保存到 results.json")print("="*60)print(f"\n最终优化方案：\n{final_optimization_plan}")

参考资料

官方文档

• 智谱AI开放平台 - 智谱AI官方平台，注册获取API Key
• 智谱AI Python SDK文档 - Python SDK使用文档
• GLM模型文档 - GLM系列模型API文档

Agent相关

• 多Agent系统设计模式 - 多Agent协作的设计思想
• AI Agent开发实践 - Agent开发实战教程

文章优化相关

• 自然语言处理基础 - NLP基础知识
• 文本分析与处理 - 文本处理技术

Python相关

• Python并发编程 - 多线程/多进程编程
• Python JSON处理 - JSON数据处理
• Python环境变量管理 - 环境变量设置

最佳实践

• 提示词工程指南 - 如何编写有效的提示词
• 大模型应用开发 - 大模型应用开发实践

总结

核心要点

1. 多Agent协作：将复杂任务分解为多个专业化Agent
2. 分工明确：每个Agent专注单一任务，提高专业性
3. 结果整合：综合优化Agent整合所有建议，生成最终结果
4. 可扩展性：易于添加新的Agent，灵活组合使用

适用场景

• ✅ 文章优化和润色
• ✅ 内容创作辅助
• ✅ 文档质量提升
• ✅ 文本分析和改进

注意事项

• ⚠️ API调用成本：多个Agent会增加API调用次数
• ⚠️ 处理时间：串行执行可能较慢，建议使用并行
• ⚠️ 结果质量：依赖大模型能力，需要调优提示词