当一个 Agent 需要处理许多复杂的任务时往往会出现效果不佳、响应慢、工具选择混乱等痛点。Multi-Agent 可以将大任务拆分为若干专业化子 Agent，更好地完成工作。

这篇文章基于 Spring AI Alibaba 框架，详解 Multi-Agent 的主要概念、占位符用法。还有顺序执行、并行执行、路由调度、监督者管控四大主要模式，搭配完整可运行的代码示例，快速上手多智能体开发。

一、Multi-Agent 主要概念

官方对 Multi-Agent 的定义清晰直白：

Multi-agent 将复杂的应用程序分解为多个协同工作的专业化 Agent。与依赖单个 Agent 处理所有步骤不同，Multi-agent 架构允许你将更小、更专注的 Agent 组合成协调的工作流。

Multi-agent 程序在以下情况下很有用：

• 单个 Agent 拥有太多工具，难以做出正确的工具选择决策
• 上下文或记忆增长过大。单个 Agent 难以有效跟踪
• 任务需要专业化

二、指令占位符用法

支持使用占位符来动态引用状态中的数据。说起来，比如 AgentB 需要使用 AgentA 处理后的数据。就需要通过 Instruction 来获取。

支持的占位符

占位符工作原理

1. 自动替换：程序会在执行 Agent 的 instruction 时自动将占位符替换为对应的实际值。
2. 状态查找：占位符会从当前状态（OverAllState) 中查找对应的值。
3. 类型安全：占位符的值会被转换为字符串并插入到 instruction 中。

三、公用代码

我先把获取 ChatModel 这个公共代码放在这里后面就不重复写进来了。

public static ChatModel getChatModel {
DashScopeApi dashScopeApi = DashScopeApi.builder
.apiKey)
.build;return DashScopeChatModel.builder
.dashScopeApi
.defaultOptions
// Note: model must be set when use options build.
.model
.temperature
.maxToken
.build)
.build;}

四、顺序执行

如果你想让每一步都能接收到上一步结果，这里是最直接的方法。适用于流水线式流程，如文本生成后再翻译。

执行流程

1. Agent A: 处理初始输入。
2. A 的输出传递给BAgent B**.
3. B 的输出传递给CAgent C**.
4. `最终`Agent 返回结果。

示例代码

import ... // imports omitted for brevity
public class SequentialAgentTest {
public static void main throws GraphRunnerException,IOException {
ChatModel chatModel = getChatModel;ReactAgent writerAgent = ReactAgent.builder
.name
.model
.description
.instruction
.outputKey
.build;ReactAgent translateAgent = ReactAgent.builder
.name
.model
.description
.instruction("""
你是一个知名翻译官，请翻译下列文章：
{article}
最终只返回翻译后的文章。""")
.outputKey
.build;SequentialAgent blogAgent = SequentialAgent.builder
.name
.description
.subAgents)
.build;Optional result = blogAgent.invoke(
"帮我写一个100字左右的不需字数提示散文");result.ifPresent(state -> {
state.value.ifPresent(a ->
System.out.printlna).getText));state.value.ifPresent(b ->
System.out.printlnb).getText));})，话说回来，}
}

再看关键特性表格。

• * 并行查询* – 同时抓取使用者信息与订单详情；不过，
• * 智能分析* – 判断退款/换货/补发等需求；
• * 路由处理* – 结果自动选择对应处理流程；
• * 顺序执行* – 完成整个售后生命周期。

. 示例代码整合 ：

public static void main throws GraphRunnerException {
ChatModel chatModel=getChatModel;/* Step‑1 并行查询 */
React…// 使用者查询 agent
…不过，ParallelAg…话说回来，/* Step‑2 智能分析 */
React…/* Step‑3 路由处理 */
LlmRoutingAg…说起来，/* Step‑4 顺序整合 */
SequentialAg…Optional res=orderWorkflow.invoke(
“订单号12345 我要退款商品还没发货”);System.out.println);}
---

七、 & Next Steps!按理说，



- 顺序执行适用于流水线、有依赖关系的数据加工链条；可通过 returnReasoningContents 隐藏中间推理，实现更简洁日志记录。说起来，

- 并行执行适用于批量无依赖任务。可利用自定义 Merge Strategy 对输出进行聚合或过滤；注意避免过度拆分导致网络拥堵和上下文切换成本升高。

- 智能路由适用于任务类型多变，需要根据上下文动态决定最佳子代理；建议结合 systemPrompt 提供清晰决策规则，以提高路由准确率和可解释性。说起来，

- 监督者模式最适用于长流程、多步骤协作。如电商售后或知识库检索+编辑+发布全链路；可通过循环调用实现迭代调整，同时保持最终 FINISH 标识返回统一答案。怎么说呢，
接下来建议


# 在生产环境部署前请充分评估网络延迟与请求速率限制。并开启相应限流策略，以避免因 API 调用频繁导致服务不可用。# 使用 Spring AI Alibaba 时可以结合 Spring Cloud Gateway 或 Netflix Zuul 做统一鉴权和限流。话说回来，# 为提高程序可观测性，请把每个子 agent 的日志级别设置为 DEBUG。并将日志集成至 ElasticSearch 或 Loki，以便排查错误。# 若遇到模型卡顿或超时可以考虑使用异步方式调用 invokeAsync 并配合 Reactive Streams 实现高效资源复用。# 如需在本地快速验证功能，可先使用 Mock ChatService 替代真实 API。及集成测试，包括负载测试和错误回退场景模拟，以保证程序稳定可靠。# 最终为了减少成本建议合理配置模型温度和最大 token 数量，并结合缓存机制对已完成但无变化的数据进行重用。\t\t\t\t\t\t\t\t\t","nextAction":"Continue"
}