《AI Agent 技术原理与架构·运行时、协议与系统架构》9.1 层级、市场、黑板与群体拓扑

多智能体的连接方式决定谁和谁说话、由谁拍板。层级拓扑固定上下级,市场拓扑靠出价分配任务,黑板拓扑共享一块公共区域,群体拓扑完全扁平。四种拓扑的消息量、决策归属与适用场景都不同。实验模拟四种拓扑跑同一批任务,演示消息计数与决策者数量,说明拓扑是架构决策而不是实现细节。

以下拓扑的消息计数与决策归属均为教学假设,不构成对任何真实系统、供应商或生产环境的承诺。“层级有明确决策者、市场靠出价、黑板共享区域、群体扁平"这四条拓扑本质不变,具体消息数与智能体数量按任务实测。

8.3 讲了记忆怎么被删对,这一节切换到通信层:多智能体之间怎么连接。连接方式——拓扑——决定了谁和谁说话、由谁拍板。拓扑不是实现细节,是第一个要拍的架构决策:它直接决定消息量、决策质量与故障半径。

四种拓扑,四种决策模型

拓扑连接方式谁决策典型适用
层级上下级固定链路上级汇总拍板任务有明确分工
市场发布+竞价最高出价者任务可外包、有成本意识
黑板共享公共区域谁响应谁参与多专家贡献拼盘
群体完全扁平互连无中心决策探索/讨论、结论松散

拓扑决定"决策者的数量”。 层级拓扑只有一个决策者(上级),群体拓扑没有决策者(各自行动)。这两个极端之间的市场、黑板,决策是分布式的但有序。“谁拍板"比"谁说话"更本质——拓扑的差别最终会体现为决策责任落在谁头上。

消息量的第一性原理

拓扑首先决定消息量。层级中下级向上级上报、上级向下级派活;市场里所有参与者广播 announce、彼此 bid;黑板里所有写者往同一块区域写、读者去读;群体里每个人向其他人直接说。拓扑结构直接决定消息复杂度,这是 9.2 的伏笔——但在这里先记住结论:连接方式不同,消息量级不同。

最小实验:四种拓扑跑同一批任务

实验提供 hierarchy/market/blackboard/swarm 四个函数,各自返回 TopologyResult:消息列表、决策归属与三个指标(消息数、通信对、决策者数)。

# file: agp_lab/topologies.py | write
# tier: 3
# verify: python3 -m unittest tests.test_topologies
"""多 Agent 拓扑:层级、市场、黑板与群体。

四种经典拓扑各自回答"消息从哪里流向哪里、谁来决策"。
本模块用最小模型比较四种拓扑的消息路径、决策点与容错特征,
用同样的任务规模量化各自的通信代价与失败半径。
"""
from __future__ import annotations

from dataclasses import dataclass
from typing import Any


@dataclass
class TopologyResult:
    messages: list[tuple[str, str, str]]  # (from, to, kind)
    decision_owners: set[str]


def hierarchy(workers: list[str]) -> TopologyResult:
    """层级:worker 只与直属上级通信,决策集中在顶层。"""
    manager = workers[0]
    messages = [(w, manager, "report") for w in workers[1:]]
    messages += [(manager, w, "command") for w in workers[1:]]
    return TopologyResult(messages, {manager})


def market(agents: list[str], bids: dict[str, str]) -> TopologyResult:
    """市场:任务方广播需求,投标方出价,由拍卖者分配。"""
    auctioneer = agents[0]
    messages = [(auctioneer, a, "announce") for a in agents[1:]]
    messages += [(a, auctioneer, "bid") for a, price in bids.items() if price]
    winner = max(bids, key=lambda a: bids[a])
    messages += [(auctioneer, winner, "award")]
    return TopologyResult(messages, {auctioneer})


def blackboard(agents: list[str], first: str) -> TopologyResult:
    """黑板:各 Agent 读写共享黑板,顺序接力,无直接对话。"""
    messages = []
    for i in range(len(agents) - 1):
        messages.append((agents[i], "blackboard", "write"))
        messages.append(("blackboard", agents[i + 1], "read"))
    return TopologyResult(messages, {first})


def swarm(agents: list[str], edges: list[tuple[str, str]]) -> TopologyResult:
    """群体:相邻 Agent 局部通信,无中心,全局行为涌现。"""
    messages = [(a, b, "state") for a, b in edges]
    return TopologyResult(messages, set())


def metrics(result: TopologyResult) -> dict[str, Any]:
    unique_pairs = {tuple(sorted(pair)) for pair, _, _ in result.messages}
    return {
        "message_count": len(result.messages),
        "unique_pairs": len(unique_pairs),
        "decision_owners": len(result.decision_owners),
    }


def demo() -> dict[str, Any]:
    workers = ["mgr", "w1", "w2", "w3"]
    agents = ["auctioneer", "a1", "a2", "a3"]
    bids = {"a1": 10, "a2": 25, "a3": 40}
    edges = [("s1", "s2"), ("s2", "s3"), ("s3", "s1")]
    h = hierarchy(workers)
    m = market(agents, bids)
    b = blackboard(["b1", "b2", "b3", "b4"], "b1")
    s = swarm(["s1", "s2", "s3"], edges)
    return {
        "hierarchy_metrics": metrics(h),
        "market_messages": [msg[2] for msg in m.messages],
        "blackboard_message_count": len(b.messages),
        "swarm_message_count": len(s.messages),
        "hierarchy_decision_owners": sorted(h.decision_owners),
        "swarm_decision_owners": sorted(s.decision_owners),
    }


if __name__ == "__main__":
    for key, value in demo().items():
        print(f"{key}: {value}")

运行:

cd private/labs/agp-lab
python3 -m agp_lab.topologies

输出:

hierarchy_metrics: {'message_count': 6, 'unique_pairs': 4, 'decision_owners': 1}
market_messages: ['announce', 'announce', 'announce', 'bid', 'bid', 'bid', 'award']
blackboard_message_count: 6
swarm_message_count: 3
hierarchy_decision_owners: ['mgr']
swarm_decision_owners: []

五条输出对应五件事:

  1. hierarchy_metrics:层级拓扑 6 条消息、4 个通信对、决策者 1 个(mgr)。层级把决策收敛到一个点——消息不少,但拍板的人只有一个。
  2. market_messages:市场拓扑的序列是 announce×3 → bid×3 → award。市场的消息是公开竞价过程:广播任务、各家出价、最终授予。
  3. blackboard_message_count:黑板 6 条消息。黑板的消息是"写进公共区”,不指定收件人——谁读谁受益,广播面最广。
  4. swarm_message_count:群体只有 3 条消息。群体消息最少但不是没有——完全扁平时通信对最少,但也没有中心。
  5. hierarchy_decision_owners / swarm_decision_owners:层级决策者是 mgr,群体决策者是空列表。决策归属是拓扑最鲜明的指纹:有中心就有归属,无中心就没有。

一个值得点破的细节:群体拓扑消息最少(3 条),但决策者列表为空——消息少不等于决策强。群体省掉了汇报和派活,却失去了收敛点;层级花了 6 条消息换来一个明确拍板的人。拓扑选型不是比谁省消息,是比谁的消息服务于决策质量。

拓扑与任务的匹配

拓扑要跟任务特征匹配,四个判断维度:

任务特征匹配拓扑理由
分工明确、责任固定层级汇报路径清晰
可外包、能竞价市场成本由出价体现
多方贡献、拼盘答案黑板公共区汇聚
探索讨论、结论松散群体扁平无中心

任务特征决定拓扑,而不是反过来。 一个需要最终负责人兜底的任务,用群体拓扑就是灾难——没人拍板;一个适合竞价的采购任务,用层级就是浪费——上级拍板不如市场出价。拓扑是任务结构的显式化。

拓扑与故障半径

拓扑还决定故障半径。层级中上级挂了,整条链停摆;市场里某个出价者挂了,市场照常;黑板里写者挂了,已写入的内容还在;群体里一个节点挂了,其余照常。决策集中的拓扑故障半径大,去中心的拓扑故障半径小。

拓扑关键节点故障影响
层级上级整链停摆
市场无(市场规则)局部损失
黑板无(区域还在)局部损失
群体无局部损失

这与 11 章容错是同一主题的两个入口:拓扑决定"哪个节点挂了影响大",容错决定"挂了之后怎么办"。选拓扑时就要想清楚单点在哪里——层级拓扑的上级必须冗余,群体拓扑的每个节点都可有可无。

拓扑与仲裁、委托的接口

拓扑是通信的骨架,委托(10.1)与仲裁(10.2)是骨架上的动作。层级拓扑天然支持委托——上级把任务派给下级,责任从上级转移到执行者;市场拓扑天然需要仲裁——多家出价,怎么裁决归谁,这是 10.2 的多数/优先级仲裁。拓扑决定"消息流向谁",仲裁决定"谁的意见算数",两者要一起设计。

动态拓扑

拓扑不是一次定死。任务在不同阶段可能用不同拓扑——一个任务前期探索(群体),中期分工(层级),后期汇总(黑板)。动态拓扑让"谁和谁说话"随任务阶段调整,但代价是切换成本:拓扑变更时,消息路由、决策归属都要跟着变。

阶段拓扑理由
探索群体无中心发散
分工层级收敛到负责人
汇总黑板公共区汇聚

动态拓扑最怕切换混乱。 阶段切换瞬间,前一个拓扑的决策者还没交出责任(10.1),后一个拓扑的决策者已经开始接手——中间有重叠窗口。切换要显式:先交接责任,再切换拓扑,否则过渡期没有人拍板。

拓扑的容错属性

不同拓扑的容错属性不同,要跟 11 章配套。层级拓扑的单点(上级)要有冗余或降级——上级挂了,由谁顶上?可以是副手,也可以是降级到群体拓扑让子节点各自决策。去中心拓扑没有单点,但也没有收敛点——节点挂了还好,可决策质量没人兜底。

拓扑单点容错配套
层级上级副手 / 降级
市场无出价者可替代
群体无结论松散可接受

容错不是拓扑选完再补,是选拓扑时就设计的。 选了层级,就要同步设计"上级挂了怎么办";选了群体,就要接受"没有最终拍板人"。拓扑的容错属性写进 11 章的实施计划,而不是事后补救。

拓扑的观察指标

拓扑要可观察。三个指标最有用:消息数、决策归属、响应延迟——消息数暴露通信成本(9.2),决策归属暴露"谁在拍板",延迟暴露拓扑瓶颈。动态拓扑下,指标要按阶段聚合:探索阶段和分工阶段的消息数没有可比性,分阶段看才有意义。

架构判据

拓扑是否合格,用五条判据检查:

判据合格的样子不合格的样子
决策者明确知道谁拍板有中心没归属
消息量可预期知道消息复杂度量级消息数无法估计
与任务匹配拓扑跟着任务走拓扑先定、任务硬套
故障半径清楚知道单点在哪以为无中心就无风险
与委托仲裁配套拓扑支持上层动作拓扑与仲裁打架

判据第一条是"谁拍板必须能指出来",判据第四条才是关键:去中心拓扑的故障半径小,但层级拓扑的单点必须显式承认并冗余。 判据第五条是 9.1 与 10 章的接缝——拓扑选定后,委托怎么走、仲裁怎么裁,是同一个设计决策的两半。

小结

  • 四种拓扑对应四种决策模型:层级收敛、市场竞价、黑板汇聚、群体扁平。
  • 拓扑直接决定消息量级与通信对数量。
  • 决策归属是拓扑最鲜明的指纹,有中心就有归属。
  • 拓扑跟着任务特征走,任务特征决定连接方式。
  • 决策集中的拓扑故障半径大,选拓扑时要认清单点。

阅读导航:上一节:8.3 审计、软删与清除 · 下一节:9.2 通信成本与扇出 。

常见错误与边界

  1. 把拓扑当实现细节。 连接方式决定消息量、决策归属与故障半径,是第一个架构决策。
  2. 以为去中心就无风险。 群体没有单点,但也没有收敛点,决策质量没人兜底。
  3. 拓扑与任务硬套。 需要负责人兜底的任务用群体,没人拍板。
  4. 只看消息数不看决策质量。 群体消息最少但不代表决策强。
  5. 拓扑与仲裁脱节。 消息流向和意见裁决是同一个设计的两半,不能分开拍脑袋。

继续阅读

探索更多技术文章

浏览归档,发现更多关于系统设计、工具链和工程实践的内容。

全部文章 返回首页

「books」更多文章

  1. 《大规模分布式计算深入解析》15.3 落地:从 Neo4j 到自研图引擎
  2. 《大规模分布式计算深入解析·图计算与图数据库内核》 · 目录与学习路径(45 篇)
  3. 《大规模分布式计算深入解析》15.2 十一卷主线:从切分到图