智能体编排
智能体编排指的是应用中智能体的流程：哪些智能体会运行、按什么顺序运行，以及它们如何决定下一步发生什么。主要有两种智能体编排方式：
- 让 LLM 做决策：利用 LLM 的智能进行规划、推理，并据此决定要执行的步骤。
- 通过代码编排：通过你的代码来决定智能体流程。
你可以混合使用这两种模式。它们各有权衡，详见下文。
通过 LLM 进行智能体编排
Section titled “通过 LLM 进行智能体编排”智能体是一个配备了 instructions、tools 和 handoffs 的 LLM。这意味着面对开放式任务时，LLM 可以自主规划如何完成任务：使用工具执行动作和获取数据，并通过交接将任务委派给子智能体。例如，一个研究智能体可以配备如下工具：
- 使用 Web 搜索在线查找信息
- 使用文件搜索与检索在专有数据和连接中搜索
- 使用计算机操作在电脑上执行操作
- 使用代码执行进行数据分析
- 交接给擅长规划、撰写报告等任务的专业智能体
SDK 核心模式
Section titled “SDK 核心模式”在 Agents SDK 中，最常见的两种智能体编排模式是：
| 模式 | 工作方式 | 最适用场景 |
|---|---|---|
| Agents as tools | 一个管理智能体始终控制对话，并通过 agent.asTool() 调用专业智能体。 | 你希望由一个智能体负责最终答案、整合多个专家输出，或在单点统一执行共享护栏。 |
| 交接 | 一个分诊智能体将对话路由给某个专家，该专家在当前轮次剩余部分成为活跃智能体。 | 你希望专家直接对用户发言、让提示词更聚焦，或为不同专家使用不同 instructions/模型。 |
当专家只需协助完成某个子任务、但不应接管面向用户的对话时，使用Agents as tools。管理智能体仍负责决定调用哪些工具，以及如何呈现最终回复。API 细节见工具指南，并行对比示例见智能体指南。
当路由本身就是工作流的一部分，且你希望被选中的专家接管对话下一阶段时，使用交接。交接会保留对话上下文，同时将活跃 instructions 收敛到该专家。API 见交接指南，最小端到端示例见快速开始。
你可以组合这两种模式。分诊智能体可以先交接给某个专家，而该专家仍可把其他智能体作为工具来处理边界清晰的子任务。
这种模式非常适合开放式任务，且你希望依赖 LLM 的智能。最重要的策略是：
- 投入精力编写高质量提示词。明确可用工具、使用方式，以及必须遵守的参数边界。
- 监控你的应用并持续迭代。定位问题发生点，并迭代优化提示词。
- 让智能体具备自我反思和改进能力。例如，在循环中运行它并让它自我评审；或提供错误信息并让它自行改进。
- 使用在单一任务上表现卓越的专业智能体，而不是期望一个通用智能体样样精通。
- 投入 evals。这可以帮助你训练智能体持续改进、在任务上表现更好。
如果你想了解这种编排风格背后的 SDK 基础组件，可从工具、交接和运行智能体开始。
通过代码进行智能体编排
Section titled “通过代码进行智能体编排”虽然通过 LLM 进行编排很强大，但通过代码进行编排在速度、成本和性能上更具确定性和可预测性。常见模式包括：
- 使用 structured outputs 生成可由代码检查的格式良好的数据。例如，你可以让智能体先将任务分类到几个类别中，再根据类别选择下一个智能体。
- 将多个智能体串联，把前一个智能体的输出转换为后一个智能体的输入。你可以把“写博客文章”拆分为一系列步骤：做研究、写大纲、写正文、做评审，再进行改进。
- 在
while循环中运行执行任务的智能体，并配合一个负责评估和反馈的智能体，直到评估者判定输出满足特定标准。 - 并行运行多个智能体，例如使用 JavaScript 原语
Promise.all。当多个任务彼此独立时，这对提速很有帮助。
我们在 examples/agent-patterns 中提供了许多示例。