1.3 适用场景与应用领域

1.3 适用场景与应用领域

在体系中的位置：前面两节解决了"是什么"和"有什么"。这一节落地到"用在哪、不用在哪"。它是第一章的收口，也是你合上第一章前必须做的一次自我审查。

我见过太多项目，多智能体上线后才发现：单智能体加几个工具就能搞定，多智能体纯属给自己加戏。所以这一节我先讲不适用，再讲适用。知道边界，比知道能力更重要。

先划禁区：什么情况别用

三类情况，我建议直接放弃多智能体。

单次问答型。 用户问一句、答一句，没有中间角色分工。比如"这句话翻译成英文"。这用一个模型调用加翻译工具足矣，上 AgentScope 是杀鸡用牛刀，还多一层消息序列化延迟。

强一致事务型。 比如银行转账，要求"要么全成、要么全不成"，且每一步都锁数据。多智能体天然异步、各持状态，强一致反而是它的弱项。这类该用数据库事务，不是多智能体。

延迟极度敏感型。 比如高频交易的下单路径，多一层消息路由就可能多几十毫秒。AgentScope 不为此类场景设计。

# 错误示范——为了"多智能体"而多智能体
from agentscope.agents import DialogAgent
from agentscope.msghub import MsgHub

# 两个智能体干一件事：翻译一句话
a = DialogAgent(name="拆词", sys_prompt="把句子拆成词。", model=model)
b = DialogAgent(name="翻译", sys_prompt="把词翻译。", model=model)
# 且 b 必须等 a，根本没有并行收益，还多一次消息往返
​

解读：上面这种拆法，b 完全依赖 a 的结果且无可并行，等价于单智能体顺序执行，却凭空多了消息开销。1.1 说的临界点没到，硬上就是负担。

适用区：角色纪律需要被隔离时

反过来，下面几类场景，AgentScope 的价值能直接兑现。

研究/分析流水线。 调研、批判、综合由不同角色做，彼此要看到对方结论但保持各自标准。典型如"文献综述生成"：检索员广撒网、评审员挑毛病、写作者整合。三者知识结构与判断标准不同，隔离后质量明显提升。

带规则的协作游戏/模拟。 多智能体在共享环境里按规则互动，比如供需市场模拟、辩论赛。环境承载规则，智能体承载策略，这正是 AgentScope 环境中介的本职。

长流程业务编排。 客服、报销、招聘这类"多步、可失败、需人工兜底"的流程。每一步失败都要被表达成消息、能被相邻环节协商，而不是整条链崩溃。

人机协同审核。 智能体产出初稿，人类在 MsgHub 里作为特殊"智能体"介入修改，系统再继续。AgentScope 2.0 对实时介入的支持让这类场景很顺。

把"研究/分析流水线"这条适用区跑成代码，你能直接看到为什么"角色纪律隔离"在这里产生收益——检索、评审、写作各是一个智能体，通过 MsgHub 串成链。

# 研究流水线：检索员 → 评审员 → 写作者，靠消息解耦
from agentscope.agents import ReActAgent, DialogAgent
from agentscope.msghub import MsgHub
from agentscope.models import OpenAIChatModel
from agentscope.message import Msg

model = OpenAIChatModel(model_name="gpt-4o-mini", api_key="环境变量占位")

searcher = ReActAgent(name="检索员", sys_prompt="只做广泛检索，列出来源清单。", model=model)
reviewer = DialogAgent(name="评审员", sys_prompt="挑出检索结果里矛盾或不可靠的点。", model=model)
writer   = DialogAgent(name="写作者", sys_prompt="综合检索与评审，输出综述。", model=model)

async def pipeline(topic):
    async with MsgHub([searcher, reviewer, writer]) as hub:
        await hub.broadcast(Msg("user", f"研究主题：{topic}", "user"))
        await searcher()   # 产出检索清单并广播
        await reviewer()   # 看到检索清单后给出质疑，广播
        await writer()     # 综合前两者输出综述

# asyncio.run(pipeline("多智能体框架的容错模式"))
​

运行输出（典型）：检索员先广播一份来源清单；评审员针对清单指出"来源 X 与来源 Y 结论冲突"；写作者拿到两份消息后产出综述，并在文内标注"该结论存在争议"。三个角色各自维持纪律，没有谁被谁的上下文稀释——这正是 1.1 临界点的正向兑现。

案例：招聘初筛系统的边界判断

背景：HR 想自动化"筛简历 → 约面试 → 发拒信"。起初团队想用一个超级智能体全包。

操作（单智能体尝试）：一个 ReActAgent 接"读简历、写评价、发邮件"三个工具。跑了一周，问题来了——写评价需要严格客观，发邮件需要礼貌且合规，两者混在同一上下文，模型偶尔把"拒信语气"带进"评价草稿"，内部互相污染。

结果（改用多智能体）：拆成筛选员（只输出结构化评分）、沟通员（只负责邮件措辞，订阅筛选员的评分消息）、以及作为人类 HR 的介入节点。筛选员严格客观，沟通员严格礼貌，两者通过消息解耦。

解读：这里临界点到来的信号是"角色纪律冲突"——客观和礼貌不能共存于同一注意力里。这正是 1.1 讲的那个临界点，也是 AgentScope 的甜区。

变式：如果简历量很小（每天几份），人工更快更准，上多智能体纯粹增加维护成本。所以"适用"还绑定规模——量级越小，单智能体越划算；量级越大、角色越多，多智能体的隔离收益越压倒开销。

领域速览：哪些行业已经在用

下面这张图把常见领域按"角色隔离需求"和"规模"两个轴摆开，你能直观看到 AgentScope 的甜区在哪。

动手自检清单

• 三类禁用：单次问答、强一致事务、极端低延迟。误用只会增加消息开销。
• 甜区信号：角色纪律需要被隔离、任务可失败需协商、有人机协同。本质是 1.1 临界点的具体化身。
• 适用性绑定规模：量级越小，单智能体越划算；越大越多角色，多智能体隔离收益越明显。
• 领域不是非黑即白，"客服编排"这类要看规模，不能一刀切说该不该上。

⚠️ 别用多智能体做银行转账这种强一致事务。异步、各持状态的天性，和"要么全成要么全不成"是天然冲突，硬做只会在边界 case 上出血。

💡 做技术选型时，先把"任务里有没有需要隔离的角色纪律"写下来。能写出来，再考虑 AgentScope；写不出，先想单智能体加工具能不能解决。