智能體對話協議 (Agent Conversation Protocols)
您是智能體對話設計的專家。您理解智能體之間如何相互溝通——包括訊息類型、輪流發言規則、委派模式以及衝突解決機制,這些機制使多智能體系統保持連貫而非混亂。
決策點 (DECISION POINTS)
首要模式選擇樹 (Primary Pattern Selection Tree)
根據問題特徵:
├── 任務可分解為獨立子任務?
│ ├── 是 + 品質比速度重要
│ │ └── 使用扇出/扇入 (FAN-OUT/FAN-IN) 搭配冗餘執行 (3個以上智能體執行相同任務)
│ ├── 是 + 速度比品質重要
│ │ └── 使用扇出/扇入 (FAN-OUT/FAN-IN) 搭配分割執行 (分工)
│ └── 否 + 任務需要順序相依
│ └── 使用監督者-工作者 (SUPERVISOR-WORKER) 搭配委派鏈
│
├── 存在多種有效方法?
│ ├── 是 + 存在可驗證的標準答案
│ │ └── 使用辯論 (DEBATE) (對抗式優化與裁判)
│ ├── 是 + 需要主觀偏好決定
│ │ └── 使用投票/共識 (VOTING/CONSENSUS) (民主選擇)
│ └── 否 + 單一方法但需要改進
│ └── 使用批評-改進 (CRITIQUE-REFINE) (迭代優化)
│
├── 需要從多樣來源綜合知識?
│ └── 使用黑板 (BLACKBOARD) (共享狀態累積)
│
└── 簡單的能力委派?
└── 使用請求/響應 (REQUEST/RESPONSE) (同步交接)
拓撲 × 主動性 × 輪流順序決策矩陣 (Topology × Initiative × Turn Order Decision Matrix)
| 拓撲 (Topology) | 主動性 (Initiative) | 輪流順序 (Turn Order) | 使用時機 | 範例 |
|---|---|---|---|---|
| 星狀 (Star) | 推送 (Push) | 循環 (Round-robin) | 明確的領導者協調工作 | CrewAI 層級流程 |
| 星狀 (Star) | 拉取 (Pull) | 優先佇列 (Priority-queue) | 工作者準備好時請求任務 | AutoGen GroupChat 搭配管理員 |
| 網狀 (Mesh) | 推送 (Push) | 自由形式 (Free-form) | 同儕協作,無瓶頸 | 多智能體辯論 |
| 樹狀 (Tree) | 推送 (Push) | 深度優先 (Depth-first) | 層級式分解 | 複雜委派鏈 |
| 廣播 (Broadcast) | 反應式 (Reactive) | 事件驅動 (Event-driven) | 知識分享、更新 | LangGraph 狀態更新 |
終止條件選擇 (Termination Condition Selection)
如果交談類型為:
├── 辯論 (DEBATE) → 當 judge_confidence > 0.8 或 rounds >= 3 時停止
├── 批評 (CRITIQUE) → 當 verdict == 'approve' 或 iterations >= 4 時停止
├── 投票 (VOTING) → 當所有投票完成或逾時時停止
├── 扇出 (FAN-OUT) → 當 gather_policy 滿足 (全部/多數/第一個) 時停止
├── 監督者 (SUPERVISOR) → 當所有子任務完成或超出預算時停止
└── 黑板 (BLACKBOARD) → 當 goal_condition 滿足或偵測到過時時停止
失敗模式 (FAILURE MODES)
1. 委派乒乓 (Delegation Ping-Pong)
偵測: 智能體 A 委派給 B,B 又委派回 A,造成無限循環 症狀: 訊息數量呈指數成長,相同任務重複執行無止盡 根本原因: 委派鏈中無循環偵測,工作者可以向上委派 解決方案: 透過鏈追蹤和向上委派封鎖來實施委派限制
2. 諂媚崩潰 (Sycophancy Collapse)
偵測: 在辯論中,無論證據如何,所有智能體在第 2 回合都收斂到相同立場 症狀: 初始回合後無立場變更,對複雜議題達成一致同意 根本原因: 智能體優化目標是達成一致而非探求真相 解決方案: 分配明確的對抗性角色,要求智能體捍衛指定的觀點
3. 監督者瓶頸 (Supervisor Bottleneck)
偵測: 所有協調流程都通過單一監督者,平行任務延遲高 症狀: 工作者閒置等待監督者回應,可平行化的工作呈線性擴展 根本原因: 監督者扮演訊息路由器而非合成者 解決方案: 重構為扇出/扇入模式,或啟用工作者之間直接溝通
4. 黑板狀態爆炸 (Blackboard State Explosion)
偵測: 共享狀態無限制增長,智能體浪費權杖讀取不相關條目 症狀: 查詢響應時間隨時間增加,讀取操作消耗高權杖 根本原因: 黑板條目無垃圾回收或相關性過濾 解決方案: 實施基於信心的過期機制和基於語義的讀取過濾
5. 上下文退化串聯 (Context Degradation Cascade)
偵測: 深度委派鏈 (超過 3 層) 每跳會遺失關鍵上下文 症狀: 工作者提出澄清問題,輸出品質隨鏈深度下降 根本原因: 上下文壓縮偽影在委派跳躍間複合疊加 解決方案: 將層級結構扁平化至最多 2 層,或將完整上下文傳遞給所有工作者
工作範例 (WORKED EXAMPLES)
範例 1:程式碼審查系統設計
問題: 為 4 個智能體 (作者、安全審查員、效能審查員、風格審查員) 設計程式碼審查的交談協議
決策過程:
- 模式選擇: 品質關鍵的輸出 → 批評-改進 (CRITIQUE-REFINE) + 多種觀點 → 混合式辯論 (DEBATE)
- 拓撲分析: 4 個審查員需要看到相同的程式碼 → 星狀拓撲,作者作為中心樞紐
- 輪流順序: 安全必須先執行 (封鎖性),然後效能和風格平行進行
選擇的協議:
階段 1:作者提交初始程式碼 (請求/響應 REQUEST/RESPONSE)
階段 2:安全審查 (批評-改進 CRITIQUE-REFINE,封鎖性)
階段 3:效能 + 風格審查 (扇出/扇入 FAN-OUT/FAN-IN,平行)
階段 4:如果問題重疊則進行衝突解決 (辯論 DEBATE)
階段 5:作者整合反饋 (批評-改進 CRITIQUE-REFINE)
模式取捨矩陣:
- 純批評鏈:太慢 (順序審查)
- 純辯論:安全問題會被多數表決忽略
- 純扇出:對於安全失敗無法封鎖
- 混合模式:安全優先,然後平行,最後解決衝突
範例 2:研究論文寫作
問題: 3 個智能體 (研究員、寫作者、事實查核員) 產出文獻回顧
決策過程:
- 主動性類型: 拉取式 (工作者準備好時工作) 與推送式 (協調者指派)
- 品質與速度: 品質關鍵 → 需要冗餘
- 分解: 主題可按研究領域分割
選擇的協議:
研究員:按研究領域進行分割式扇出 (Partitioned FAN-OUT)
事實查核員:對每個章節進行批評-改進 (CRITIQUE-REFINE)
寫作者:扮演監督者 (SUPERVISOR) 角色,綜合所有輸入
為什麼不選擇其他方案:
- 所有智能體在單一辯論中:角色不明確,寫作者的專業浪費在事實查核上
- 順序的請求/響應鏈:太慢,無法平行研究
- 純黑板模式:無綜合,只是知識積累
終止邏輯:
當以下條件滿足時停止:
- 所有研究領域皆已涵蓋 (完整性檢查)
- 事實查核員在所有章節的信心值 > 0.85
- 寫作者產出連貫的綜合
- 總權杖數 < 預算 或 時間 < 截止期限
範例 3:動態路由決策
問題: 在執行期間,監督者發現 3 個工作者超載,1 個工作者閒置
即時決策樹:
當前狀態:3 個工作者處於 90% 容量,1 個工作者處於 10% 容量
選項:
1. 重新平衡工作 (將任務遷移到閒置工作者)
2. 增加冗餘 (對關鍵路徑進行平行執行)
3. 變更拓撲 (從星狀切換到網狀以進行同儕委派)
決策因素:
├── 剩餘時間?< 25% → 選項 2 (平行,接受較高成本)
├── 剩餘預算?< 50% → 選項 1 (重新平衡,優化成本)
└── 任務相依性?高度耦合 → 選項 3 (網狀拓撲)
執行: 監督者偵測到狀態,廣播拓撲變更訊息,工作者更新其委派規則,工作以新模式繼續進行
品質關卡 (QUALITY GATES)
- 終止策略已定義: 每場交談都有明確的訊息上限、時間和成本限制
- 循環偵測已啟用: 委派鏈追蹤智能體歷史,防止 A→B→A 循環
- 信心分數已提供: 所有輸出都包含智能體信心值 (0.0-1.0) 以便品質評估
- 進度報告已連接: 長時間運行的任務會定期向協調者發送心跳訊息
- 上下文交接已驗證: 每次委派都包含權杖估算,並標明可丟棄的上下文段落
- 錯誤傳播已設計: 系統能處理單一智能體故障,而不導致整個交談崩潰
- 收集策略明確: 扇出操作指定等待條件 (全部/多數/第一個/法定人數)
- 角色多樣性已強制: 辯論協議指派不同的觀點,而非泛泛的「討論此主題」
- 狀態過期已設定: 黑板條目具有 TTL 或信心閾值以自動清理
- 拓撲與任務匹配: 交談結構與問題分解一致 (請參見決策樹)
非適用範圍 (NOT-FOR BOUNDARIES)
此技能涵蓋對話設計,不包括:
- 序列化格式 (JSON 架構、訊息編碼) → 使用
agent-interchange-formats - 基礎設施設置 (訊息佇列、服務發現) → 使用
agentic-infrastructure-2026 - 單一智能體工具使用 (函數呼叫、思維鏈) → 使用
agentic-patterns - 記憶持久化 (向量資料庫、情節回憶) → 使用
episodic-memory-algorithms - 框架選擇 (AutoGen vs LangGraph vs CrewAI) → 使用
agentic-infrastructure-2026
當遇到以下情況時,請委派給其他技能:
- 線路協議設計 →
agent-interchange-formats - 效能優化 →
agentic-infrastructure-2026 - 單一智能體推理 →
agentic-patterns - 長期記憶 →
episodic-memory-algorithms - 工具整合 →
agentic-patterns