我們前面已經提過 AI Agent 是具備感知、決策、行動能力的系統。
早期的 Agent 幾乎都靠一個模型自己思考、自己行動,我們會稱它為 Single Agent。
隨著技術的進步,其實時會發現單一模型不夠,要能靈活地用外部工具、API 或資料庫。這時就出現了一個關鍵技術:MCP(Model Context Protocol),可以想像成一台為 AI Agent 準備的『翻譯機』。不同的工具或資料源各說各話,在互相不理解的狀態下,MCP 提供了一個共通語言,讓模型能夠理解外部指令、並正確地交換資訊。
後面隨著任務越來越大,出現了** Multi-Agent MCP 架構**,它能讓多個 Agent 能各司其職、彼此協作,就像一個由 AI 組成的團隊。
後面我們就一個個來解釋說明吧!
Single Agent 指的就是只有一個 AI 個體在工作,它能自主決策、獨立完成任務,不需要與其他 Agent 溝通協作。
這邊我想給大家說一個情境,我覺得這樣大家可能會容易知道他的優缺點,我覺得他其實很像是教授安排我們要分組,但偏偏我找不到別人一組,只好自己組隊。
雖然自己一個人一組就是我想做甚麼就做甚麼,我不用去聽別人的意見,自己埋頭苦幹安排一下進度就好了,但缺點就是沒人跟我討論內容,所有事情都是我自己來,也不知道對或錯,反正做就對了,希望大家有理解這個情境,接下來我們就來說一下它的優缺點。
優點:
缺點:
其實這些就很像是剛剛我們解釋的情況一樣,光靠一個人可以做的很有限,所以這僅僅只是基礎,如果一個團隊越做越大,肯定不能光靠一個人就做到好的。
Multi Agent 其實就 Single Agent 的例子來說大家應該也多少有點概念了吧!
他主要就是一個 AI 團隊在合作做事情這樣。
就跟公司會分甚麼RD、QA......,各自的部門就坐他們擅長的事,他們彼此間會透過標準協定(像 MCP)溝通,最終完成共同的任務,優缺點其實就是和 Single Agent 相對。
這邊整理一下他們兩者間的差異:
判斷準則 | Single-Agent | Multi-Agent |
---|---|---|
任務複雜度 | 低-中 | 高 |
部署時間 | 快速導入 | 需協調與調度 |
維護 | 快速又簡單 | 分散且複雜 |
擴展需求 | 適合小規模 | 為動態與成長型環境設計 |
跨功能整合 | 有限 | 強(核心概念) |
當然啦,也不是說用 Multi-Agent 就會比較好,如果你自己團隊規模不大,那為甚麼要給自己找麻煩呢,這樣想就好。
前面是不是有說到他們彼此間的溝通是需要一個協定標準 MCP,所以接下來我們就是要來講 MCP 啦~
所以為了讓 Agent 能聽得懂別的系統、能正確調用外部工具,於是乎設計了一個標準協定,叫做 MCP(Model Context Protocol)。
其實就跟我們不懂老外在說甚麼,常常會用『肢體語言』來表達自己的想法,就是所謂『共通語言』的概念。
MCP 的出現,就像是讓 AI 從孤單的個體進化成能合作的夥伴,它是介於 Single-Agent 和 Multi-Agent 之間的關鍵橋樑。
實務來說,傳統的 AI 工具框架(像 LangChain、ReAct)都有自己的工具格式,彼此不相容,而 MCP 則把這些格式標準化,讓任何模型都能以相同方式使用外部工具。
如果沒有 MCP 也就不會有 Multi-Agent 了。
偷偷 murmur .... 其實自己寫文也是每天都會不斷思考要講甚麼,每寫完一篇就會調架構,一個人做事果然好難TT
明天就會開始規劃實作囉 ><