Agent Teams（代理人團隊）

在AI軟體工程的早期，我們多半使用「單一 Agent（Single Agent）」或「主代理-子代理（Lead-Subagent）」模式。然而，當面臨大型重構、分散式除錯或跨領域系統設計時，單一上下文（Context Window）往往力不從心，而傳統Subagent也只能盲目回報主代理、無法彼此交流

Agent Teams（智能體團隊） 的出現徹底改變了這個局面。它讓多個獨立的 AI 實例（Teammates）能夠像人類軟體工程團隊一樣，擁有明確的分工、共享的任務清單，以及直接的雙向溝通管道

是一種AI協作架構，它將「單一 AI 代理」模式進階為「多個專家代理協同運作」。如果說Subagent是「主管指派任務給下屬」，那麼Agent Teams更像是「一個跨部門的專家小組」

以下詳細介紹 Agent Teams 的核心概念、運作方式及應用場景：

從「單打獨鬥」到「團隊作戰」

在 Agent Teams 架構中，多個 AI 代理人（Agents）被組織在一個共同的環境中，每個代理人擁有特定的角色定位與專業技能

Agent Teams vs. 傳統 Subagents

與Subagent區別

• Subagent（主從關係）： 主代理是核心，下屬通常不直接溝通，只對主管負責。結構較為扁平、單向

• Agent Teams（團隊協作）： 代理人之間可以是對等的，成員可以相互溝通、討論、甚至進行同儕審查（Peer Review）。成員之間共享工作狀態，能更靈活地處理複雜問題

Agent Teams四大核心支柱

要支撐起一個高效能的 Agent 團隊，底層通常具備以下四個關鍵元件：

1. Team Lead（團隊主管）

負責接收使用者的整體目標，並將其拆解為具體、可執行的子任務

負責初始化團隊成員（Teammates），並在所有任務完成後進行最終的結果彙整與品質把關

2. Teammates（團隊成員/專家代理）

每個 Teammate 都是獨立運作的 Session，擁有各自的 Context Window

他們不繼承 Lead 的完整歷史對話，而是透過專屬的spawn prompt獲取初始化邊界，確保上下文乾淨、專注

3. 共享任務清單（Shared Task List）

類似團隊中的 Jira 或 Trello 看板

支援狀態追蹤（Pending, In Progress, Completed）與任務依賴性（Dependencies）。當前置任務未完成時，後續任務會被自動阻塞，閒置的代理也能主動認領符合條件的任務

4. 專屬信箱系統（Mailbox / Direct Messaging）

擺脫了傳統只能向主管回報的限制，Agent Teams 允許代理與代理之間直接發送訊息（Direct Message）或廣播（Broadcast）

這使得多個 Agent 可以互相質疑假設、交換除錯證據，甚至進行一場「科學辯論」來收斂出最佳解法

Agent Teams運作機制

Agent Teams 通常透過以下幾種模式來管理複雜工作：

• 成員角色明確化： 團隊中通常包含「編寫者」、「審查者」、「分析師」等不同專長。每個成員都有專屬的系統提示（System Prompt）和權限

溝通模式（協調）：

• Round-Robin（輪流制）： 成員按固定順序發言，確保每個人都有機會參與

• Orchestrator-driven（協調員制）： 由一名「團隊經理」負責分配任務、監督進度並在卡關時重新規劃（如 Microsoft AutoGen 的 MagenticOne 架構）

• 自主溝通（Handoff）： 任務完成後，成員自主將成果移交給下一個最適合的夥伴

• 共享上下文（Shared Context）： 團隊成員可以看到對話紀錄，這意味著當 Agent A 提出一個假設時，Agent B 可以立即根據該假設進行驗證，避免重複勞動

Agent Teams四大優勢

• 品質控管（Peer Review）：透過讓一個代理人寫程式，另一個代理人專門「找碴」檢查錯誤，能顯著降低 AI 的幻覺與錯誤率

• 專業分工：避免單一模型因背負過多指令而「精神分裂」。各司其職能確保專注度，並讓每個代理人的 Prompt 達到最佳化

• 解決複雜問題：當任務涉及多個領域（如開發、測試、市場分析）時，Agent Teams 可以同時運作，並在過程中即時調整目標

• 容錯與彈性：如果某個成員的輸出不佳，團隊內的其他成員可以主動提出異議或請求修正，不需要完全依賴外部使用者的干預

適合使用Agent Teams場景

• 軟體開發（MVP 產出）： 一個團隊同時包含專案經理（PM）、開發人員（Coder）、測試人員（QA）。PM 拆解需求，Coder 實作，QA 進行壓力測試

• 複雜研究報告： 一個 Agent 負責搜尋網頁，另一個負責整合資料，第三個負責根據搜尋結果撰寫論點，最後由編輯進行格式排版

• 除錯任務（Debugging）：一個 Agent 測試程式，另一個 Agent 閱讀錯誤日誌，兩者共同討論直到找出根本原因

常見框架與工具

若想嘗試建置 Agent Teams，目前主流的開源框架包括：

• Microsoft AutoGen： 目前市面上最成熟的多代理協作框架，支援靈活的訊息傳遞與多種團隊拓樸（Topology）

• Claude Code (Agent Teams)： 允許使用者建立一個工作組，成員並行處理檔案，適合開發者直接在終端機操作

• LangGraph： 強調「圖狀」的邏輯編排，適合定義非常嚴謹的任務流轉（Workflow）

Agent Teams典型運作架構

Agent Teams製作流程與架構圖表

架構圖說明：

• 用戶層 (User Layer): 這是系統的起點

  • 用戶 (User): 發起任務

  • 用戶界面 (User Interface, UI): 接收請求並顯示結果

  • 任務請求 (Task Request): 例如：「分析市場趨勢並撰寫一份投資報告」

• 協調與規劃層 (Orchestration & Planning Layer): 這是系統的核心大腦

  • 任務管理器 (Task Manager): 接收請求，進行初步分析

  • 協調器 (Orchestrator): 這是關鍵組件，負責將複雜任務拆解為子任務

  • 規劃器 (Planner): 制定詳細的執行步驟與依賴關係

  • 共享記憶體 (Shared Memory / Vector DB): 儲存上下文、任務狀態和歷史數據，供所有代理人存取

• 代理人團隊層 (Agent Team Layer): 執行具體工作的智能體群體

  • 研究代理人 (Research Agent): 負責搜集資料

  • 分析代理人 (Analysis Agent): 處理數據，提取洞察

  • 寫作代理人 (Writing Agent): 根據分析結果生成內容

  • 審核代理人 (Reviewer Agent): 檢查產出物的品質與合規性

  此層強調動態團隊組建 (Dynamic Team Assembly)，協調器可根據任務需求召集不同專長的代理人

• 工具與環境層 (Tools & Environment Layer): 代理人執行任務所需的資源

  • 工具 API (Tool APIs): 包含網頁搜尋 (Web Search)、程式碼解釋器 (Code Interpreter)、資料庫連接 (DB Connector) 等

  • 外部系統 (External Systems): 連接真實世界的服務（ CRM, ERP, Slack）

  • 執行沙盒 (Execution Sandbox): 安全地執行程式碼

• 回饋與迭代循環 (Feedback & Iteration Loop): 確保系統持續優化

  • 結果驗證 (Result Validation): 檢查是否符合要求

  • 錯誤處理 (Error Handling): 如果失敗，自動重試或回報給協調器

  • 反思與改進 (Reflection & Improvement): 記錄成功與失敗經驗，優化未來的規劃

此架構圖強調了自主規劃、動態協作、工具使用與自我修正，是建構強大 AI 代理人系統的基礎