前言：一個 AI 不夠用的時候

在前幾天（CoT → RAG → Tool Use → Planning → ReAct → Reflection → Memory），我們讓單一 AI 擁有「思考、查資料、用工具、規劃、反思與記憶」等能力。
看起來已經很強大，但在現實世界的任務中，一個 AI 往往還是會捉襟見肘。

例如：要規劃一趟維也納旅行，不只要考慮 景點順序，還要顧及 交通時間、餐廳選擇、個人偏好（不吃牛肉、喜歡維也納豬排）與 結束時間限制。
如果全部交給單一 AI，容易顧此失彼。

這時候，就需要 Multi-Agent。
就像交響樂團一樣，樂手各司其職、彼此呼應，最後由指揮統籌整合 — 合奏的樂曲更精彩，正如音樂之都維也納所孕育的和諧篇章。

Multi-Agent Design Pattern

為什麼需要 Multi-Agent？

如果一個 AI 要同時處理「規劃景點、挑餐廳、估交通、顧好使用者偏好」，它的 Prompt 會越來越龐雜，容易出錯。
Multi-Agent Design Pattern 的精神，就是把任務拆分，讓 多個角色各司其職，再透過協作把結果整合。這樣更容易理解、維護，也更貼近人類團隊合作。

三大核心元素

1. 分工（Specialization）
   每個 Agent 有明確的角色定位，例如：規劃師、交通顧問、美食顧問。
   好處：Prompt 精準、輸出專一。

2. 協作（Collaboration）
   角色之間互相傳遞資訊、補足彼此盲點。
   好處：任務更完整，不會因單一角色的限制而失效。

3. 統籌（Orchestration）
   最後需要一個「總召」來整合大家的意見，並檢查是否符合限制（像是必須在 18:00 前結束）。
   好處：結果一致、能符合全局條件。

圖：Multi-Agent Design Pattern 的三層結構 —— ① 分工（Specialization）：各角色各司其職；② 協作（Collaboration）：角色之間資訊交換，互補盲點；③ 統籌（Orchestration）：由 Coordinator 整合檢查，確保最終結果符合需求。

這張圖呈現了完整的三層次流程：

• 使用者需求 先交給 分工角色（Planner、Foodie、Transport）
• 他們彼此之間會有 協作交換，互相補充資訊
• 最後由 Coordinator 統籌整合，輸出完整可行的結果

常見模式

• Supervisor（統籌型）：一個主導 Agent 分派任務，其他角色各自回報。→ 最直觀也最常用。
• Pipeline（串接型）：像生產線一樣，一個 Agent 的結果傳給下一個。→ 適合有固定流程的任務。
• Group Chat（討論型）：多個 Agent 輪流對話，最後收斂共識。→ 適合創意發想或需要辯論的場景。

在今天的 Demo，我們採用 Supervisor 模式：Planner、Foodie、Transport 各自輸出，最後由 Coordinator 統籌整合。

對照今天的旅行案例

• Planner：規劃景點 → 分工
• Foodie：根據記憶挑餐廳 → 分工 + 使用記憶
• Transport：估算交通 → 分工
• Coordinator：統合時間表、檢查超時 → 統籌

這就是最簡單的 Multi-Agent Design Pattern：分工 → 協作 → 統籌。

這種設計模式不只適用在旅遊行程，未來你會看到它在 軟體開發、商業決策、研究助理 等場景同樣發揮威力，讓 AI 團隊真正成為我們的協作夥伴。

Naive Demo：維也納旅行

為了簡單掌握 Multi-Agent 的精神，我們做一個 Naive Demo：
由四個代理人分工合作完成「兩日行程規劃」。

• Planner Agent：規劃每天上午與下午的景點
• Foodie Agent：根據 Memory（不吃牛肉、偏好維也納豬排）挑餐廳
• Transport Agent：呼叫 Tool Use 估算交通時間
• Coordinator Agent：整合行程，檢查是否超時

系統架構

圖：Multi-Agent 系統架構。Planner 負責行程規劃（分工）、Foodie 依據 Memory 選餐廳並回饋（協作）、Transport 呼叫工具取得交通時間（協作），最後 Coordinator 統籌整合並檢查超時（統籌）。完整展現了「分工 → 協作 → 統籌」的流程。

程式碼實作

以下程式先用最簡單的方式幫助大家理解這四個代理如何協作：Planner 規劃景點、Foodie 挑餐廳、Transport 呼叫工具估算交通、Coordinator 統籌檢查是否超時。
之後的主題還會介紹好用的技術框架如（LangChain/LangGraph）可以實作。

pip install google-generativeai python-dateutil

import os, json, random
from datetime import datetime, timedelta
import google.generativeai as genai
import re, json

def safe_json_loads(text, fallback=None):
    """
    嘗試解析 JSON，會自動移除 ```json ... ``` code fence。
    如果失敗，就回傳 fallback。
    """
    if not text:
        return fallback
    # 移除 Markdown code block 標記
    clean = re.sub(r"^```json\s*|\s*```$", "", text.strip(), flags=re.IGNORECASE|re.MULTILINE)
    try:
        return json.loads(clean)
    except:
        return fallback

# ===== 0) 初始化 =====
os.environ["GEMINI_API_KEY"] = "YOUR_API_KEY"
genai.configure(api_key=os.environ["GEMINI_API_KEY"])
LLM = genai.GenerativeModel("gemini-2.5-flash")

# ===== 1) Memory (使用者偏好) =====
MEMORY = {
    "diet": "不吃牛肉",
    "pref": "維也納豬排"
}

# ===== 2) Tool Use 模擬 =====
def travel_time_tool(from_place, to_place):
    """
    模擬呼叫外部 API 查交通時間。
    這裡用隨機數 20–40 分鐘。
    """
    return random.randint(20, 40)

# ===== 3) Agents 定義 =====
def planner_agent():
    prompt = """
    請規劃維也納 2 日行程，每天上午與下午各安排一個景點，輸出 JSON 格式。
    範例：
    {
        "Day1": {"am": "美泉宮", "pm": "聖史蒂芬大教堂"},
        "Day2": {"am": "奧地利國家圖書館", "pm": "維也納歌劇院"}
    }
    """
    resp = LLM.generate_content(prompt)
    try:
        return safe_json_loads(resp.text)
    except:
        return None

def foodie_agent(plan):
    prompt = f"""根據以下行程，挑選午餐餐廳。
需符合條件：{MEMORY['diet']}，並偏好 {MEMORY['pref']}。
輸出 JSON 格式，
範例：{{"Day1": "Figlmüller（維也納豬排）", "Day2": "Gasthaus Pöschl"}}
每天一間餐廳。行程: {plan}"""
    resp = LLM.generate_content(prompt)
    try:
        return safe_json_loads(resp.text)
    except:
        return None

def transport_agent(plan, food):
    """
    Transport Agent：呼叫 travel_time_tool 取得所有需要的時間，
    再交給 LLM 整理成 {DayX: {am_to_lunch, lunch_to_pm}} 的格式。
    """
    # Step 1: 先收集原始資料
    raw_data = []
    for day, schedule in plan.items():
        am_to_lunch = travel_time_tool(schedule["am"], food[day])
        lunch_to_pm = travel_time_tool(food[day], schedule["pm"])
        raw_data.append({
            "day": day,
            "am": schedule["am"],
            "lunch": food[day],
            "pm": schedule["pm"],
            "am_to_lunch": am_to_lunch,
            "lunch_to_pm": lunch_to_pm
        })

    # Step 2: 請 LLM 整理成結構化 JSON
    prompt = f"""
    以下是交通估算的原始資料，請整理成 JSON 格式：
    {raw_data}

    格式範例：
    {{
      "Day1": {{"am_to_lunch": 25, "lunch_to_pm": 30}},
      "Day2": {{"am_to_lunch": 22, "lunch_to_pm": 35}}
    }}
    """
    resp = LLM.generate_content(prompt)
    return safe_json_loads(resp.text, {})

def coordinator_agent(plan, food, transit):
    """
    Coordinator Agent：統籌行程，檢查是否超時 (09:00 ~ 18:00)
    """
    day_start = datetime.strptime("09:00", "%H:%M")
    end_limit = datetime.strptime("18:00", "%H:%M")

    result = {}
    for day, schedule in plan.items():
        cur = day_start
        steps = []

        # 上午景點
        steps.append(f"{cur.strftime('%H:%M')}–{(cur:=cur+timedelta(minutes=180)).strftime('%H:%M')} {schedule['am']}")

        # 上午 → 午餐
        cur += timedelta(minutes=transit[day]["am_to_lunch"])
        steps.append(f"{cur.strftime('%H:%M')} 午餐：{food[day]} (90 分鐘)")
        cur += timedelta(minutes=90)

        # 午餐 → 下午
        cur += timedelta(minutes=transit[day]["lunch_to_pm"])
        steps.append(f"{cur.strftime('%H:%M')}–{(cur:=cur+timedelta(minutes=150)).strftime('%H:%M')} {schedule['pm']}")

        feasible = "行程可行！" if cur <= end_limit else "行程超時！"
        result[day] = {"timeline": steps, "status": feasible}

    return result

# ===== 4) 執行 Demo =====
if __name__ == "__main__":
    print("=== Multi-Agent + Tool Use Demo ===")

    plan = planner_agent()
    print("Planner:", plan)

    food = foodie_agent(plan)
    print("Foodie:", food)

    transit = transport_agent(plan, food)
    print("Transport (Tool Use):", transit)

    final = coordinator_agent(plan, food, transit)
    print("\n=== 最終統籌結果 ===")
    for day, info in final.items():
        print(f"\n{day}")
        for s in info["timeline"]:
            print(" ", s)
        print(" ", info["status"])

執行結果

圖：Multi-Agent + Tool Use Demo 的實際輸出結果。四個代理各司其職：Planner 負責規劃景點（分工）、Foodie 依據 Memory 選擇符合偏好的餐廳（協作）、Transport 呼叫工具取得交通時間（協作），最後 Coordinator 統籌檢查是否超時（統籌）。結果成功輸出可行的完整行程。

這個範例完整展示了這四個 Agent 的分工合作：

• Planner：安排行程（上午 / 下午景點）
• Foodie：依據 Memory（不吃牛肉、偏好維也納豬排），挑選合適餐廳
• Transport：呼叫 Tool Use，估算移動時間
• Coordinator：整合時間軸，檢查是否超過 18:00

結果：

• Day 1：美泉宮 → 午餐 Figlmüller（維也納豬排） → 霍夫堡宮 ✅
• Day 2：聖史蒂芬大教堂 → 午餐 Gasthaus Pöschl → 藝術史博物館 ✅

圖：Figlmüller 的維也納豬排（Wiener Schnitzel）。這塊金黃酥脆的豬排大到覆滿整個餐盤，第一眼就讓人驚艷。薄薄的麵衣、樸實的調味，卻意外耐吃，正是維也納經典美食之一；而 Figlmüller 也正是維也納豬排的招牌百年老店。（攝影：作者自攝）

小結：Multi-Agent 的價值

今天的範例展示了從 單一 AI 到 多代理協作的演進：

• 分工（Specialization → 更專精）：每個 Agent 的 Prompt 可以針對專業角色調整
• 協作（Collaboration → 更高效）：角色彼此交換資訊、互補盲點，避免單一模型「全包」而出錯
• 統籌（Orchestration → 更真實）：由統籌 Agent 整合並檢查條件，模擬真實團隊合作情境

而且這個 Demo 不只是 Multi-Agent，本身還用到了 Day 10 的記憶，讓美食顧問能避開「牛肉」並推薦「維也納豬排」。

這代表 AI 不只是「多角色」，還能「共享經驗」。

到這裡，我們已經讓 AI 進化成能夠 分工合作的隊伍。

正如維也納交響樂的精神：合奏更能交織出真正的和諧與力量。

圖：維也納卡爾教堂（Karlskirche）：韋瓦第《四季》音樂會（Vivaldi The Four Seasons Concert）。巴洛克華麗的祭壇與穹頂壁畫下，在音樂之都維也納，樂手們分工演奏、彼此呼應，最後在指揮的統籌下交織出和諧樂章。這正是 Multi-Agent 的精神：各角色專精分工、互相協作，最終由統籌整合，讓結果比單打獨鬥更完整、更精彩。（攝影：作者自攝）