上一篇文章讲了 什么是 Agentic RAG——核心是把”规划”能力引入检索流程，让单个智能体自己决定怎么找、找什么。
但你有没有想过：如果一个问题太大，一个智能体忙不过来怎么办？
比如用户问：“对比一下特斯拉、比亚迪和理想 2024 年的财报表现，并分析它们的充电技术路线差异。“这个问题包含两个完全不同的子任务——财务数据查询和技术路线分析。
让一个智能体同时搞定这两件事，效率未必高。这时候就需要Multi-Agent RAG（多智能体 RAG）——多个专业小助手各司其职，协作完成复杂的信息检索和回答。
一个形象的比喻
想象你要装修一套房子。
单智能体 RAG 就像一个人同时做所有事——既要找设计方案，又要比较材料价格，还要跟施工队沟通。忙得团团转，但每件事都只能蜻蜓点水。
多智能体 RAG 则像一支装修团队：设计师负责找风格案例，采购专员负责比价建材，项目经理负责协调进度。每个人专注自己的领域，最后汇总出一套完整的装修方案。
多智能体 RAG 的思路正是如此：分而治之，并行处理，汇总整合。
它是怎么工作的
多智能体 RAG 的架构通常包含三类角色：
1. 主编者（Orchestrator / Manager Agent）
主编者不直接检索资料，而是分析问题、拆解任务、分派给专业智能体。
面对用户的问题，编辑器会判断：
- 这个问题需要查几个方面？
- 每个方面该派给哪个专业智能体？
- 最后怎么把各方结果汇总成完整答案？
就像装修团队里的项目经理，自己不动手，但负责协调所有人。
2. 专业智能体（Specialist Agents）
每个专业智能体负责一个垂直领域，可以是：
- 财务数据智能体：专门查财报、营收、利润率
- 技术文档智能体：专门查技术文档、API、架构说明
- 市场分析智能体：专门查竞品信息、市场份额、用户评价
- 政策研究智能体：专门查法规、政策文件、行业报告
每个智能体可以是完整的 Agentic RAG 单元——有自己的检索工具、查询优化逻辑、上下文管理能力。
3. 汇总智能体（Aggregator / Synthesizer Agent）
各专业智能体完成检索后，还有一个专门负责整合和归纳的角色。它把所有检索结果整理成连贯、结构化的最终答案，并标注引用来源。
核心技术细节
多智能体 RAG 背后有几个关键实现机制：
并行检索（Map-Reduce）
“Map”阶段：主编者把问题拆成多个子查询，同时派给不同的专业智能体，每个智能体独立执行自己的检索流程。
“Reduce”阶段：汇总智能体收集所有检索结果，去重、筛选、整合成最终答案。
这个模式天然适合并行化，执行效率远高于串行处理。
状态共享
专业智能体之间需要共享中间结果。比如财务智能体发现某家公司去年净利润下降了，这个信息对技术路线分析可能也有参考价值。
常见做法是通过共享向量数据库或中央消息队列，让各智能体可以读到彼此的检索结果。
冲突处理
不同智能体可能从不同数据源检索到相互矛盾的信息。汇总智能体需要具备冲突检测和仲裁能力——优先信任权威来源，或者明确标注”以下两点信息存在冲突，请注意辨别”。
和单智能体 RAG 的对比
| 维度 | 单智能体 Agentic RAG | 多智能体 RAG |
|---|---|---|
| 任务拆分 | 单个智能体内部完成 | 主编者主动拆解分配 |
| 并行能力 | 弱（通常串行） | 强（多智能体并行） |
| 专业化程度 | 一个智能体负责全部 | 每个智能体专注垂直领域 |
| 复杂问题处理 | 中等 | 强（适合多维度问题） |
| 系统复杂度 | 较低 | 较高（需要协调机制） |
| 适用场景 | 单一领域问答 | 跨领域综合分析 |
实际应用场景
多智能体 RAG 特别适合以下场景：
行业研究报告：让财务智能体查数据、技术智能体查专利、市场智能体查竞品，最后汇总成一份研报。
法律尽职调查：一个智能体查合同条款，一个查监管要求，一个查历史判例，汇总成完整的法律意见。
竞品分析：同时从产品功能、技术架构、定价策略、用户评价多个维度对比多家公司。
技术选型调研：一个智能体负责查性能基准，一个查社区活跃度，一个查许可协议，帮你做综合技术决策。
用什么框架实现
目前主流的多智能体 RAG 框架有几个：
LangGraph：由 LangChain 团队开发，通过状态图（StateGraph）定义智能体之间的流转关系。灵活性最高，适合需要精细控制工作流的场景。
CrewAI：主打”角色扮演”概念——每个智能体有明确的身份和职责定义，天然适合多智能体协作场景。上手最简单。
Microsoft AutoGen：微软开源的多智能体框架，支持对话式协作，每个智能体可以像人一样互相”对话”来决定谁做什么。
Swarm：OpenAI 推出的实验性框架，轻量级，适合简单的多智能体编排。
一点提醒
多智能体 RAG 能力强，但系统复杂度也更高。在实际项目中，建议：
- 先用单智能体 Agentic RAG 验证核心逻辑，跑通了再考虑多智能体架构
- 智能体数量不是越多越好——2~4 个专业智能体通常是最优性价比，太多反而增加协调开销
- 必须有完善的监控和可观测性——多智能体出问题排查难度远高于单智能体，建议接入 Langfuse、Dynatrace 等工具追踪每次 LLM 调用
一句话总结
多智能体 RAG 的核心思想是专业的事交给专业的智能体来做：主编者负责拆解和协调，专业智能体负责各自领域的检索，最后汇总成完整答案。
如果把单智能体 RAG 比作一个能干的助理，多智能体 RAG 就是一支配合默契的团队——能承接更复杂、跨领域的任务。
原文链接：https://huggingface.co/learn/cookbook/en/multiagent_rag_system