智能体编排
编排是指你应用中智能体的流程。哪些智能体运行、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，并据此决定采取哪些步骤。
- 通过代码编排：通过你的代码来确定智能体流程。
你可以混合使用这些模式。每种方式都有各自的权衡，详见下文。
通过LLM编排
智能体是配备了指令、工具调用和任务转移的LLM。这意味着，对于开放式任务，LLM可以自主规划如何完成任务，使用工具采取行动并获取数据，并通过任务转移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：
- 网络检索，用于在线查找信息
- 文件检索与检索回传，用于搜索专有数据和连接
- 计算机操作，用于在计算机上执行操作
- 代码执行，用于进行数据分析
- 向擅长规划、报告撰写等工作的专门智能体进行任务转移
核心SDK模式
在 Python SDK 中，最常见的两种编排模式是：
| 模式 | 工作方式 | 最适用场景 |
|---|---|---|
| Agents as tools | 管理智能体保持对对话的控制，并通过 Agent.as_tool() 调用专家智能体。 |
你希望由一个智能体负责最终答案、整合多个专家的输出，或在一个位置统一执行共享安全防护措施。 |
| 任务转移 | 分流智能体将对话路由给某个专家，该专家在本轮剩余时间内成为活动智能体。 | 你希望由专家直接回复、保持提示词聚焦，或在不由管理者转述结果的情况下切换指令。 |
当专家只需协助完成边界清晰的子任务、但不应接管面向用户的对话时，使用Agents as tools。当“路由”本身就是工作流的一部分，且你希望被选中的专家主导下一阶段交互时，使用任务转移。
你也可以将两者结合。一个分流智能体可以先转移给专家，而该专家仍可将其他智能体作为工具调用来处理更窄的子任务。
这种模式非常适合开放式任务，且你希望依赖LLM的智能。这里最重要的策略是：
- 投入高质量提示词。明确可用工具、如何使用它们，以及它必须遵守的参数边界。
- 监控并迭代你的应用。找出问题出现的位置，并迭代优化提示词。
- 允许智能体自省与改进。例如，让它在循环中运行并自我评估；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门智能体，而不是期望一个通用智能体样样精通。
- 投入使用评测。这能让你训练智能体持续改进并更擅长任务。
如果你想了解这种编排风格背后的核心 SDK 基本组件，请从工具、任务转移和运行智能体开始。
通过代码编排
虽然通过LLM编排很强大，但通过代码编排能让任务在速度、成本和性能方面更具确定性和可预测性。常见模式包括：
- 使用structured outputs生成你可在代码中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若干目录，再根据目录选择下一个智能体。
- 串联多个智能体：将前一个智能体的输出转换为下一个智能体的输入。你可以把“撰写博客文章”拆解为一系列步骤——做研究、写大纲、写文章、进行评审，然后改进。
- 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通过特定标准。 - 并行运行多个智能体，例如使用 Python 基本组件
asyncio.gather。当多个任务彼此不依赖时，这对提速很有帮助。
我们在 examples/agent_patterns 中提供了多个示例。