用途：当单个智能体的上下文窗口无法容纳全部任务信息时，用多智能体架构把工作分配到多个语言模型实例，每个实例拥有独立上下文窗口。核心目的是上下文隔离，而非拟人化角色分工。
适用场景：单智能体上下文限制任务复杂度；任务可自然拆分为并行子任务；不同子任务需要不同工具集或系统提示；系统需同时处理多个领域；需扩展超出单上下文的能力；设计含多个专用组件的生产级智能体系统。
三种主要模式：监督者/编排者，集中控制，适合分解清晰、需人工监督的任务；点对点/群体，通过显式交接让任意智能体转移控制权，适合灵活探索；分层，按策略、规划、执行分层，适合大型项目。
关键机制：显式协调协议与状态传递；加权投票或辩论协议抵抗谄媚式共识；输出验证、重试与断路器防止错误级联；设置执行时限防止无限循环。上下文隔离可选全上下文委派、指令传递或文件系统记忆，默认指令传递，需要共享状态时升级为文件系统。
限制与注意：多智能体令牌成本约为基线的15倍，需按此预算；监督者上下文随工作者数量非线性增长，建议每个监督者3至5个工作者；代理过多收益递减；消息传递存在信息逐层失真的“传话游戏”问题，可用forward_message直接返回或改用文件系统协调；避免过度分解与缺少共享状态。
框架方面，资料提及LangGraph、AutoGen、CrewAI等实现方式不同。具体安装命令、收费与平台信息暂未提供。