概述

MultiAgent 是一个强大的多智能体系统，旨在协调多个 Agent 协作完成复杂任务。MultiAgent 的创建和配置过程简洁高效，采用Planner-Executor-Reviewer的方式来执行任务。企业可根据不同业务场景自定义 AI Agent 团队，显著提升 AI 在企业中的应用效率和灵活性。平台内置多种预置 AI Agent，包括 AI Coder IDE、Browser Use 和 Computer Use。这些 Agent 开箱即用，无需复杂配置。
MultiAgent 的运行机制如下：

flowchart LR

 subgraph P["Planner"]
    direction TB
        P1["任务澄清
        识别用户指令意图并澄清"]
        P2["Planner
        生成高质量的Task Todo List"]
        P3["Action
        为Task动态生成Action List"]
  end
 subgraph R["Runner"]
    direction TB
        T(["Task-1"])
        T2(["Task-2"])
        T3(["Task..."])
    direction LR
        A3["Action1"]
        A4["Action2"]
        A5["Action3"]
        A6["Action4"]
  end
 subgraph Rev["Reviewer"]
    direction TB
        RV["企业自定义审核标准"]
        D1{"是否需要
        人类接管"}
        D2{"Task
        是否全量更新"}
        D3{"未执行的Task
        是否需要更新"}
        D4{"当前完成的Task
        是否需要复执行"}
        End(["继续执行任务"])
  end
    H2["人类用户接管"]
    H1["用户发出任务"]
    P1 --> P2
    P2 --> P3
    P -- 串行 --> T & T2 & T3
    T -- 并行 --> A3 & A4
    A6 -- 任务执行完成 --> RV
    RV -- 不通过 --> D4
    D4 -- N --> D3
    D4 -. Y .-> T
    D3 -. Y .-> P
    D3 -- N --> D2
    D2 -- N --> D1
    D2 -. Y .-> P
    D1 -- Y --> H2
    D1 -- N --> End
    A4 -- 串行 --> A5
    A5 -- 串行 --> A6
    RV -- 通过 --> NT["开始执行下个Task"]
    H1 -- 提交任务指令 --> P

     H1:::human
     H2:::human
     P1:::planner
     P2:::planner
     P3:::planner
     T:::runner
     T2:::runner
     T3:::runner
     A3:::runner
     A3:::Peach
     A4:::runner
     A4:::Peach
     A5:::runner
     A5:::Peach
     A6:::runner
     A6:::Peach
     RV:::reviewer
     D1:::decision
     D2:::decision
     D3:::decision
     D4:::decision
     End:::reviewer
     NT:::reviewer
    classDef human fill:#e3f2fd,stroke:#90caf9,stroke-width:2px
    classDef planner fill:#e8f5e9,stroke:#81c784,stroke-width:2px
    classDef runner fill:#fffde7,stroke:#ffe082,stroke-width:2px
    classDef reviewer fill:#ede7f6,stroke:#b39ddb,stroke-width:2px
    classDef decision fill:#fce4ec,stroke:#ec407a,stroke-width:2px,stroke-dasharray:4 2
    classDef Peach stroke-width:1px, stroke-dasharray:none, stroke:#FBB35A, fill:#FFEFDB, color:#8F632D

功能亮点

自定义 AI Agent 团队构建：Multi-Agent 平台允许企业根据具体业务需求灵活组建 AI Agent 团队，极大地提升了 AI 在企业中的应用灵活性。
丰富的预置 AI Agent：平台内置多种开箱即用的 AI Agent，如 AI Coder IDE、Browser Use、Computer Use 等。
多场景角色支持：提供涵盖开发、产品、测试、算法、数据、营销等多个领域的 AI Agent 角色，满足企业不同部门的需求。
广泛的应用范围：Multi-Agent 可应用于深度研究、数据洞察分析、投标书生成、财务科目明细生成等多种企业业务场景。
高效且易用：操作简单，极大地提高了工作效率。例如，用户能够分钟级的完成组建一个 AI 数据分析 Agents 团队。

创建与配置

创建 MultiAgent 系统非常简单，与单个 Agent 的过程相似。主要方面包括：

全局设置：默认情况下，全局设置是收起的状态。在此可以配置记忆、输入/输出能力，以及其他模块如知识库、数据库、日志和洞察等，这些功能与单个 Agent 保持一致。
节点添加：用户可以通过点击“新增节点”将各种 Agent 添加到 MultiAgent 画布中。可用 Agent 类型包括：
预置 Agent：GPTBots 预先构建完成的 Agent，具有预定义的能力，如 Online Search 和 Browser Use，支持开箱即用。
模板 Agent：需要用户自行配置的 Agent，用于定义其角色和能力。
Agent 集成：要构建 MultiAgent 团队，只需选择所需的 Agent，将其添加到画布中，并通过连线连接它们。这将链接它们的能力，实现协作任务执行。

Agent 简介

规划者 Agent

"规划者"是 MultiAgent 的核心 Agent，负责需求澄清、任务规划、执行任务生成、任务完成质量审核等重要工作。因此建议选择能力最强的模型版本，但若选择推理模型则可能导致运行时间的大幅拉长。
规划者支持自定义任务控制机制，如：动态调整任务、是否运行用户接管、设置单个任务最大重复执行上限以避免 tokens 消耗过大。
也可以为规划者配置记忆、工具、知识库和数据库等能力，帮助规划者具备更多能力

Computer Use Agent

Computer Use Agent 支持自定义身份提示，可配置最大任务迭代次数以避免任务造成大量的 tokens 消耗。同时支持启用用户接管功能，在 Agent 无法正确推进任务时请求人类用户接管，并远程操控 Computer。
Computer Use 运行在沙箱环境的 Linux 系统中，可以使用计算机中的 APP、文件系统和系统命令等工具来完成任务。

Browser Use Agent

运行在沙箱环境的浏览器中，可以基于浏览器环境中运行任务。对 LLM 的能力要求较低，无论LLM是否支持图片识别均可使用。

Coder IDE Agent

通过代码生成方式完成任务，AI Coder IDE 在沙箱 CLI 环境中运行，擅长搜索、执行 API、生成 Web 页面和文档等。

Online Search Agent

Online Search 具备自主检索和获取 URL 页面内容的能力，所以在信息网络检测场景非常有用。

执行流程

运行 MultiAgent 完成任务的过程如下：

输入任务：用户输入任务描述并提交。规划者会根据描述判断是否直接执行任务，或需要用户澄清。
任务清单生成：当任务指令清晰后，规划者首先生成任务清单，用户确认后开始自动执行。
动态执行：在执行过程中，规划者为每个任务动态生成 Action List。每个任务完成后，规划者会评估完成质量，决定是否调整或更新任务清单。
任务完成：所有任务完成后，MultiAgent 会总结并提供最终成果。如果需要，用户可以继续提问以更新任务成果。

最佳实践

能力描述：确保每个 Agent 的能力简介准确、详细，帮助规划者实现高效的任务分配。
模型优化：为规划者选择平衡性能和速度的模型，避免过度推理导致的延迟。
控制机制：合理设置迭代上限和用户接管，以优化资源消耗和任务可靠性。