3.4 任务编排与工作流设计

3.4 任务编排与工作流设计

在体系中的位置：3.2、3.3 把演员和舞台都备好了，这一节让它们真正"同台演出"——用消息中枢和群聊把多个智能体编排成工作流。这是第三章的高潮，也是多智能体从"几个会说话的对象"变成"一个能干活的系统"的转折点。

一个反问先抛出来：你有两个智能体，怎么让它们既各说各话、又互相看见对方的话？手写消息转发，三个智能体就乱成麻。AgentScope 的解法是两个原语：MsgHub（广播中枢）和 GroupChat / SelectorGroupChat（角色化群聊）。掌握这两个，编排才算入门。

MsgHub：多智能体对话的广播中枢

MsgHub 是异步上下文管理器。进入它的智能体，彼此的回复会自动广播给对方，无需手动传参。最适合"大家都能看到全场"的讨论型场景。

import asyncio
from agentscope.agents import ReActAgent
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")

alice = ReActAgent(name="Alice", sys_prompt="你是学生 Alice，乐于交流。",
                   model=model, toolkit=None, memory=InMemoryMemory())
bob = ReActAgent(name="Bob", sys_prompt="你是学生 Bob，喜欢运动。",
                 model=model, toolkit=None, memory=InMemoryMemory())
charlie = ReActAgent(name="Charlie", sys_prompt="你是学生 Charlie，爱旅行。",
                     model=model, toolkit=None, memory=InMemoryMemory())

async def chat():
    async with MsgHub(
        [alice, bob, charlie],
        announcement=Msg("system", "大家互相自我介绍。", "system"),
    ) as hub:
        await alice()
        await bob()
        await charlie()
        # 每个人发言后，另外两人自动收到，下一轮能接着对方的话

asyncio.run(chat())
​

运行输出（典型）：Alice 先自我介绍，Bob 听到后介绍自己并呼应 Alice，Charlie 再接话。关键在——你没写任何"把 A 的话传给 B"的代码，MsgHub 自动做了广播。消息中枢把"转发逻辑"从业务里抽走，这是编排简洁的根本。

动态增员：运行中加新成员

MsgHub 支持运行中用 hub.add() 拉新智能体入群，适合"中途请专家入场"的场景。

async def chat_with_expert():
    async with MsgHub([alice, bob], announcement=Msg("system", "讨论旅行计划", "system")) as hub:
        await alice()
        await bob()
        # 中途引入旅行达人 Charlie
        hub.add(charlie)
        await charlie()   # Charlie 能看到之前所有发言，无缝加入
​

运行说明：hub.add(charlie) 后，Charlie 自动获得入群前的历史消息，不会因为"迟到"而脱节。这种动态性在"按问题请专家"的工作流里极实用。

GroupChat 与 SelectorGroupChat：角色化群聊

当群聊需要"谁先说、谁后说、谁来决定下一轮谁说"，GroupChat 和 SelectorGroupChat 上场。前者按固定顺序轮转，后者由模型（或规则）动态选下一个发言者——适合辩论、评审这类需要"选人接话"的场景。

from agentscope.agents import DialogAgent
# from agentscope.agents import SelectorGroupChat

pro = DialogAgent(name="正方", sys_prompt="支持观点 X。", model=model)
con = DialogAgent(name="反方", sys_prompt="反对观点 X。", model=model)
judge = DialogAgent(name="评委", sys_prompt="总结并给判断。", model=model)

# result = await group.run(Msg("user", "讨论 AI 是否取代程序员", "user"))
​

运行说明：上面 SelectorGroupChat 是角色化群聊的典型——评委当"主持人"决定话权流转，避免无意义的全员轮播。stop_if 给出终止条件，防止无限循环。具体类名/参数以你所装版本文档为准，但"动态选人 + 终止条件"的编排范式稳定。

编排模式对比：何时用哪个

三种原语适用形态不同，下面一张图 + 一张表说清。

案例：辩论赛工作流

背景：让正方、反方、评委三方就"AI 是否取代程序员"辩论，最后评委总结。

操作：用 SelectorGroupChat，评委当 selector 决定每轮谁接话，正方反方交替立论反驳，stop_if 在评委给出"结论"后终止。

# 评委最后发言包含"结论"，群聊终止，transcript 为完整辩论记录
​

结果：产出结构化辩论记录，正方反方论证交锋，评委给判断。无需手写"谁该说"的逻辑。

解读：这里 SelectorGroupChat 把"调度权"交给评委智能体，而非硬编码顺序。若改成固定顺序（GroupChat），则可能反方刚说完正方就被打断，交锋感差。选对原语，协作质量差很多。

变式：若评委模型不够稳，可把 selector 换成规则函数（如"交替、末轮评委"），用确定性替代模型决策，提升可复现性。编排不是非黑即白，可混用模型与规则。

本节要点回顾

• MsgHub 是广播中枢，入群者回复自动互见，无需手写转发；支持 hub.add() 动态增员。
• GroupChat 固定顺序轮转，可控可复现；SelectorGroupChat 动态选人 + 终止条件，适合辩论评审。
• 选原语看"话权怎么流转"：自由讨论用 MsgHub，固定流程用 GroupChat，需主持用 SelectorGroupChat。
• 调度权可交给模型也可交给规则，编排可混用两者求可控。

⚠️ SelectorGroupChat 一定要设 max_rounds 和 stop_if，否则模型可能无限接话，既烧钱又不出结果。终止条件是群聊编排的必备安全带。

💡 编排第一问："谁来决定下一轮谁说？"——没人管（自由讨论）用 MsgHub；固定顺序用 GroupChat；要主持人用 SelectorGroupChat。先答这题，再选原语。