Edison's Studio.

Multi-Agent LLM 系统架构全景调研（2023–2026）

LLM Multi-Agent AI Architecture
Word count: 4kReading time: 17 min
2026/04/19
loading
本文内容由 AI 协助生成

从学术论文到工业实践，全面梳理 Multi-Agent LLM 系统的架构分类、通信协议、生产框架与工程挑战。

一、核心 Survey 论文

在深入具体架构之前，先建立认知框架。以下六篇 Survey 是理解该领域分类体系的基础：

论文 年份 核心分类维度
Guo et al. “Large Language Model based Multi-Agents: A Survey of Progress and Challenges“ IJCAI 2024 profiling / communication / capability acquisition
Tran et al. “Multi-Agent Collaboration Mechanisms: A Survey of LLMs“ 2025 types(合作/竞争/混合) × structures(P2P/集中/分布) × strategies(角色/模型)
Yan et al. “Beyond Self-Talk: A Communication-Centric Survey of LLM-Based Multi-Agent Systems“ 2025 系统级通信(架构/目标/协议) + 内部通信(策略/范式/对象/内容)
Luo et al. “Large Language Model Agent: A Survey on Methodology, Applications and Challenges“ 2025 Construction → Collaboration → Evolution 三维框架
“LLMs Working in Harmony“ 2025 Architecture / Memory / Planning / Frameworks 四支柱
“Agentic AI: Architectures, Taxonomies, and Evaluation“ 2026 Perception/Brain/Planning/Action/Tool/Collaboration + Chain/Star/Mesh 拓扑

研究者的共识分类维度：

  • 拓扑：Chain（链式）/ Star（星型）/ Mesh（网状）/ Tree（树形）/ Dynamic（动态）
  • 通信目标：Cooperation（合作）/ Competition（竞争）/ Coopetition（混合）
  • 控制模式：Centralized（集中）/ Decentralized（去中心化）/ Hybrid（混合）

二、七大架构范式

A. Supervisor / Orchestrator-Worker（星型拓扑）

核心思想：中央协调者分解任务 → 分发给 worker → 聚合结果。这是 生产环境最常见的模式，覆盖约 70% 的企业部署。

学术论文

系统 年份/会议 核心设计 关键贡献
AutoGen (Microsoft) COLM 2024 ConversableAgent + GroupChat manager；支持 star/mesh 动态切换 灵活对话模式；GAIA benchmark #1
TalkHier 2025 图结构 G=(V,E) + 结构化通信协议（消息/中间输出/背景信息） 首个集成结构化通信 + 层级细化的框架
HALO 2025 三层架构：规划 Agent → 角色设计 Agent → 推理 Agent + Workflow Search Engine 动态角色实例化（非预定义）
AgentOrchestra 2025 严格二层划分：Conductor 规划 + 专家子 Agent；函数调用 API 精确委派 闭环优化 + 成本敏感编排
DEPART arXiv 2025 (ICLR 2026 在审) 三角色：planner / action executor / vision executor；HIMPO 交替优化策略 层级化多轮交互优化

工业实践

Anthropic Research System（工程博客）

Claude Research 功能的核心架构：

  • Lead Agent（Claude Opus 4）负责规划和协调
  • 3-5 Subagents（Claude Sonnet 4）并行执行搜索任务
  • Effort-scaling 规则：简单查询 1 agent + 3-10 tool calls；复杂查询最多 8 subagents
  • 实测数据：比单 Agent +90.2% 性能，但 15x token 消耗

“Multi-agent architectures effectively scale token budgets in ways that single agents cannot.”

Salesforce Agentforce（博客）

  • Atlas 推理引擎做图结构编排
  • 用专用 SLM（HyperClassifier）替代 LLM 做路由分类，30x 延迟降低
  • Superagent 架构：Primary Agent → Domain Agents → Specialist Agents

Microsoft Magentic-One（GitHub）

  • Orchestrator + 4 专家（WebSurfer, FileSurfer, Coder, ComputerTerminal）
  • Task Ledger（外层循环）+ Progress Ledger（内层循环）做自反思

LangChain Deep Agents（GitHub · 文档）

  • 基于 LangGraph 的 “agent harness”，21K+ stars
  • 核心四件套：Planning（write_todos 任务分解）+ Subagents（task 工具委派隔离上下文）+ Filesystem（持久化记忆）+ Context Management（对话过长时自动摘要）
  • 设计哲学：batteries-included，开箱即用的 Orchestrator-Worker 模式，受 Claude Code 启发
  • 被 AgentHive (ACL ARR 2026 在审) 归类为 Star MAS——支持多 Agent 协作但依赖中央协调者
  • 同时提供 Python SDK 和 TypeScript 版本，以及终端 CLI（类 Claude Code / Cursor 体验）

权衡

维度 优势 劣势
控制性 集中调试，清晰审计链 协调者成为瓶颈
可靠性 简单的故障隔离 单点故障
成本 可做模型分层（贵模型编排，便宜模型执行） 协调开销占 15-45% token 预算
延迟 Worker 并行降低 wall-clock time 串行编排推理增加延迟

B. Chain / Pipeline（链式拓扑）

核心思想：Agent 按顺序执行，每个处理后传递给下一个。确定性控制流。

学术论文

系统 年份/会议 核心设计 关键贡献
MetaGPT ICLR 2024 SOP 编码为 prompt 序列；软件公司流水线隐喻 减少级联幻觉；中间结果验证
ChatDev ACL 2024 Chat Chain 划分开发阶段（Design → Coding → Testing） Dehallucination 机制
Chain-of-Agents (CoA) NeurIPS 2024 Worker 顺序处理长文本片段 → Manager 聚合 解决单 Agent 长上下文限制

工业实践

LangGraph StateGraph（文档）

  • 有向图 + typed state channels + 条件边 + 循环支持
  • 内置 PostgresSaver checkpointing + time-travel debugging
  • 月搜索量 27,100，生产成熟度最高（38M+ 下载）

CrewAI Sequential（GitHub）

  • Process.sequential 链式执行，task output 作为下一个 task 的 context
  • 20 行代码即可启动，最快原型开发体验
  • 450M agents/月 处理量

Uber AI Coding Agents（技术博客）

  • LangGraph 构建确定性 pipeline 做测试验证
  • 节省 21,000 开发者工时；测试覆盖率 +10%

C. Flat / Peer-to-Peer — 辩论与共识（Mesh 拓扑）

核心思想：平等地位的 Agent 直接交互，无中央协调。包括辩论、角色扮演、共识系统。

学术论文

系统 年份/会议 核心设计 关键贡献
CAMEL NeurIPS 2023 Inception Prompting 引导两个 Agent 自主角色扮演 首个自主多 Agent 协作框架
Multi-Agent Debate (Du et al.) ICML 2024 多轮辩论提升事实准确性和推理 ~89% 共识率；优于 CoT/reflection
ChatEval ICLR 2024 多 Agent 做评审裁判，通过结构化辩论评估文本质量 多 Agent 评估比单 Agent 更可靠
FREE-MAD 2025 无共识辩论 + 基于分数的决策 + 反从众机制 单轮即优于多轮共识，大幅省 token
MAR (Multi-Agent Reflexion) 2025 多角色 critics 辩论取代单 Agent 反思 减少单 Agent 反思的停滞问题
SwarmSys 2025 信息素痕迹 + 辩论-共识循环 无中心控制的涌现协调

关键发现

Wei et al. (ACL 2025) 的对比实验：

  • 投票（Majority Voting） 在推理任务上最优（+13.2%）
  • 共识（Consensus） 在知识任务上最优（+2.8%）
  • 新研究 FREE-MAD 完全消除共识需求，用分数决策替代

D. Dynamic / Adaptive（动态拓扑）

核心思想：系统根据任务动态调整架构、Agent 选择、拓扑结构。这是 2025-2026 的学术前沿方向。

系统 年份/会议 核心设计 关键贡献
AgentVerse ICLR 2024 4 阶段框架：招募 → 协作决策 → 执行 → 评估；MDP 建模 动态调整团队组成
DyLAN COLM 2024 多层前馈网络 + Agent Importance Score（基于 peer rating） 推理时 Agent 选择；MMLU +25%
AMAS EMNLP 2025 Query-adaptive 图编排器从结构池中选最优拓扑 首个 per-query 异构拓扑适配
REDEREF arXiv 2025 (ICLR 2026 被拒) 在线贝叶斯委派（Thompson Sampling）+ 校准自反思 + 证据校验聚合 无需训练的概率化动态路由

E. Handoff / Swarm（控制权转移）

核心思想：Agent 间动态传递控制权，基于上下文判断”交给谁”。

系统 来源 核心设计
OpenAI Swarm → Agents SDK OpenAI 2024-2025 极简两原语（Agent + Handoff）；无状态客户端执行；Swarm 为教育用途，Agents SDK 为生产版
Google ADK Agent Transfer Google 2025 层级交接 + scoped context（include_contents 控制子 Agent 可见范围）

Google ADK 的两种多 Agent 模式（工程博客）：

  1. Agents as Tools：root agent 把子 agent 当函数调用，子 agent 无历史上下文
  2. Agent Transfer：控制权完全移交子 agent，子 agent 继承 session 视图

F. Agent 平台与网络（Platform / Network）

核心思想：提供统一平台让多个异构 Agent 协作，强调开放性、可部署性和用户可访问性。

学术论文

系统 年份/会议 核心设计 关键贡献
OpenAgents (xlang-ai) COLM 2024 三专业 Agent 平台：Data Agent（Python/SQL 数据分析）+ Plugins Agent（200+ API 工具）+ Web Agent（自主浏览）；Observation → Deliberation → Action 决策循环 首个面向非专家用户的开放 Agent 平台；强调应用级设计和系统鲁棒性（自适应数据映射、流式响应、故障处理）

工业实践

OpenAgents Network（GitHub · 官网）

  • 定位：AI Agent Networks 开放协作平台——“Slack for Agents”
  • 三层架构：
    • Workspace：浏览器端协作层，人与 Agent 共享线程、文件、实时浏览器
    • Launcher（agn CLI）：Agent 管理层，安装/配置/连接任意 coding agent（Claude Code, Codex CLI, Cursor, OpenCode 等 10+）
    • Network SDK：事件驱动架构，Mod 系统（messaging, files, browser, games），支持 MCP 和 A2A 协议
  • 核心机制：事件驱动通信（所有交互通过 events）；多传输协议（WebSocket:8700, HTTP:8500, gRPC:8600, MCP:8800）
  • 开源：Apache 2.0，无厂商锁定

G. Consensus / Ensemble（并行投票）

核心思想：多个 Agent 独立处理同一输入，通过投票或加权聚合输出。

系统 来源 设计 效果
AI NeuroSignal（参考） 交易领域 20 agents 不同模型后端 + 加权投票 假信号减少 73%
Spotify Ads AI（工程博客） 广告 ParallelAgent 并行执行 Goal/Audience/MediaPlanner 媒体计划：15-30min → 5-10sec

三、通信协议标准化

Multi-Agent 系统正在形成分层协议栈：

1
2
3
4
5
6
7
8
9
┌─────────────────────────────────────────┐
│         用户界面 / 应用层                 │
├─────────────────────────────────────────┤
│  A2A  (Agent-to-Agent 水平协调)          │
├─────────────────────────────────────────┤
│  MCP  (Agent-to-Tool 垂直集成)           │
├─────────────────────────────────────────┤
│       外部 API / 数据库 / 文件            │
└─────────────────────────────────────────┘

MCP — Model Context Protocol

  • 解决问题：N 个 Agent × M 个工具 → 统一为 N+M 的连接问题
  • 传输：JSON-RPC 2.0（stdio 或 HTTP+SSE）
  • 原语：Tools, Resources, Prompts, Sampling, Roots
  • 采用规模：VS Code, Claude Desktop, Cursor 等；97M+ 下载
  • 维护者：Anthropic
  • 规范：modelcontextprotocol.io

A2A — Agent-to-Agent Protocol

  • 解决问题：跨框架 Agent 互操作
  • 传输：JSON-RPC 2.0 over HTTPS；Agent Card 做服务发现
  • 核心机制：6 个任务状态（submitted → working → completed/failed/cancelled）；SSE 流式
  • 治理：Linux Foundation；150+ 合作伙伴；v1.0 于 2026 年 3 月发布
  • 规范：a2aproject.github.io

ANP — Agent Network Protocol

  • 解决问题：去中心化 P2P Agent 网络
  • 状态：开放社区协议，早期阶段

四、规划与任务分解

这一方向关注 Agent 如何将复杂任务拆解为可执行子任务。

论文 年份 核心方法 关键发现
“Understanding the Planning of LLM Agents: A Survey“ 2024 分类：Task Decomposition / Multi-Plan Selection / External Module / Reflection & Memory 首个系统化 LLM 规划综述
MAP — A Brain-Inspired Agentic Architecture Nature Comm. 2025 专用模块：TaskDecomposer / Actor / Monitor / Predictor / Evaluator 超 CoT +32%，超辩论 +49%，超 ToT +68%
“PlanGenLLMs: A Survey of LLM Planning“ ACL 2025 6 维评价：completeness / executability / optimality / representation / generalization / cost 识别多 Agent 规划为重要未充分探索方向

五、生产框架对比矩阵

框架 编排模型 状态持久化 模型锁定 成熟度 最佳场景
LangGraph 有向图 + 条件边 Checkpoint + time travel 无 ★★★★★ 复杂分支/循环/HITL
CrewAI 角色 + Seq/Hierarchical Flow-based 无 ★★★★☆ 角色化团队工作流
OpenAI Agents SDK Handoff Context Variables OpenAI only ★★★★☆ OpenAI 原生栈
Google ADK 层级 Agent 树 Session State Gemini 优化 ★★★☆☆ Google Cloud 生态
Anthropic Claude Agent SDK Orchestrator-Worker Via MCP Claude only ★★★★☆ 安全关键应用
AutoGen/AG2 对话 GroupChat / Actor Event sourcing 无 维护模式 研究/代码执行
Deep Agents Orchestrator-Worker (Star) Filesystem + Checkpoint 无 ★★★★☆ (21K stars) 长任务/编码/研究
OpenAgents Network 事件驱动 / P2P Network Event-driven + Workspace 无 ★★★☆☆ 异构 Agent 协作网络

更详细的对比可参考 Best Multi-Agent Frameworks in 2026 和 Complete Guide to AI Agent Architectures。

六、生产工程挑战与解法

1. 状态管理

问题：Multi-Agent 系统天然有状态，崩溃即丢失进度。

解法：

  • LangGraph PostgresSaver 做 checkpointing（支持 time-travel）
  • 无状态 Agent + 外部状态存储（best practice）
  • Pydantic typed state 做 schema 校验（防止 80% 运行时错误）

2. 错误恢复

问题：生产环境 41-87% 失败率；级联故障；无限循环。

解法：

  • 熔断器（per-agent 和 per-tool）+ 指数退避
  • 拓扑状态机检测循环（AutoGen 提案）
  • max iteration 硬限 + 超时强制终止
  • 优雅降级：工具失败时 LLM 自适应

3. 成本控制

问题：Multi-Agent 消耗 3-15x token（Anthropic 实测 15x）；失控循环烧预算。

解法：

  • 模型分层：贵模型（Opus）做编排，便宜模型（Sonnet/Haiku）做执行
  • Prompt caching：~90% 成本降低
  • Per-session 硬预算 + 成本异常告警（2x 日均即触发）
  • Semantic caching：~31% 冗余消除

4. 延迟优化

问题：顺序 Agent 链路延迟累加；p99 随协调深度爆炸。

解法：

  • 并行 fan-out（Spotify：15-30min → 5-10sec）
  • 专用 SLM 替代 LLM 路由（Salesforce HyperClassifier：30x 加速）
  • 流式输出（LangGraph per-node streaming；SSE 实时更新）

5. 可观测性

问题：Agent “错但不宕”，传统监控盲区。

解法：

  • OpenTelemetry + LLM 语义约定；trace ID 贯穿 Agent 调用链
  • Per-request / per-user / per-model 成本追踪
  • LLM-as-judge 质量指标
  • Agent 决策模式监控（不只监控延迟和错误率）

详细的生产模式可参考 Microsoft ISE: Patterns for Building a Scalable Multi-Agent System 和 Microsoft: Designing Multi-Agent Intelligence。

七、公司案例一览

公司 架构模式 框架 / 引擎 关键指标 参考
Anthropic Orchestrator-Worker Custom（Opus + Sonnet） +90.2% vs 单 Agent 工程博客
Uber Supervisor + Event-Driven LangGraph + Kafka 21,000 dev hours saved 技术博客
Spotify Parallel Consensus Google ADK 15-30min → 5-10sec 工程博客
Salesforce Hierarchical Superagent Atlas Reasoning Engine 70% 延迟降低 博客
Google Hierarchical Agent Tree ADK Context-aware 多 Agent 开发者博客
Microsoft Orchestrator + Specialists AutoGen / Magentic-One Task + Progress Ledger 设计博客

八、关键结论

1. 拓扑即架构决策

  • Chain：确定性工作流（编码、测试 pipeline）
  • Star/Supervisor：集中协调（70% 生产场景首选）
  • Mesh/Debate：头脑风暴、评估、事实校验
  • Tree/Hierarchical：多领域复杂编排
  • Dynamic：学术前沿，per-task 自适应拓扑

2. “先简单后复杂” 是工业共识

Anthropic、OpenAI、Google 一致强调：

从单 Agent + 好 prompt 开始，只在确实需要时才引入多 Agent。复杂性本身不是目标。
— Anthropic: Building Effective Agents

3. 成本是一等架构约束

Anthropic 实测 multi-agent 系统 token 消耗是 chat 的 ~15x。必须在架构层面做：

  • 模型分层（Brain/Worker 模式）
  • Token 预算硬限
  • Prompt caching

4. 协议在标准化

MCP（工具层）+ A2A（Agent 层）正在成为互操作基础设施。选择框架时应考虑对这两个协议的支持程度。

5. 动态自适应是学术前沿

2025-2026 的论文密集关注 per-task 拓扑自适应（AMAS, REDEREF, DyLAN），从固定架构走向 运行时动态配置。

6. 可观测性先于复杂性

在增加 Agent 数量之前，先确保你能看到每个 Agent 在做什么、花了多少钱、为什么失败。传统 APM 不够——需要 Agent 决策层面的追踪。

参考文献索引

Survey 论文

  1. Guo et al. “Large Language Model based Multi-Agents: A Survey of Progress and Challenges.” IJCAI 2024. arXiv:2402.01680
  2. Tran et al. “Multi-Agent Collaboration Mechanisms: A Survey of LLMs.” 2025. arXiv:2501.06322
  3. Yan et al. “Beyond Self-Talk: A Communication-Centric Survey.” 2025. arXiv:2502.14321
  4. Luo et al. “Large Language Model Agent: A Survey on Methodology.” 2025. arXiv:2503.21460
  5. “LLMs Working in Harmony.” 2025. arXiv:2504.01963
  6. “Agentic AI: Architectures, Taxonomies, and Evaluation.” 2026. arXiv:2601.12560

框架论文

  1. Wu et al. “AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation.” COLM 2024. arXiv:2308.08155
  2. Li et al. “CAMEL: Communicative Agents for ‘Mind’ Exploration.” NeurIPS 2023. 项目页
  3. Hong et al. “MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework.” ICLR 2024. arXiv:2308.00352
  4. Qian et al. “ChatDev: Communicative Agents for Software Development.” ACL 2024. arXiv:2307.07924
  5. Chen et al. “AgentVerse: Facilitating Multi-Agent Collaboration.” ICLR 2024. OpenReview
  6. Liu et al. “DyLAN: Dynamic LLM-Agent Network.” COLM 2024. arXiv:2310.02170
  7. Xie et al. “OpenAgents: An Open Platform for Language Agents in the Wild.” COLM 2024. arXiv:2310.10634

平台与 Agent Harness

  1. LangChain. “Deep Agents: Agent harness built with LangGraph.” 2025. GitHub · 文档
  2. OpenAgents Network. “AI Agent Networks for Open Collaboration.” 2025. GitHub

辩论与共识

  1. Du et al. “Improving Factuality and Reasoning through Multiagent Debate.” ICML 2024. Proceedings
  2. Chan et al. “ChatEval: Towards Better LLM-based Evaluators through Multi-Agent Debate.” ICLR 2024. arXiv:2308.07201
  3. “FREE-MAD: Consensus-Free Multi-Agent Debate.” 2025. arXiv:2509.11035
  4. “MAR: Multi-Agent Reflexion.” 2025. arXiv:2512.20845

规划

  1. “Understanding the Planning of LLM Agents: A Survey.” 2024. arXiv:2402.02716
  2. Webb et al. “A brain-inspired agentic architecture to improve planning with LLMs.” Nature Communications, 2025. DOI

动态架构

  1. “TalkHier.” 2025. arXiv:2502.11098
  2. “HALO.” 2025. arXiv:2505.13516
  3. “AMAS.” EMNLP 2025. ACL Anthology
  4. “REDEREF.” arXiv 2025 (ICLR 2026 被拒). OpenReview
  5. Hsu et al. “DEPART: Hierarchical Multi-Agent System for Multi-Turn Interaction.” arXiv 2025 (ICLR 2026 在审). OpenReview
  6. Zhang et al. “AgentOrchestra: Orchestrating Multi-Agent Intelligence with the TEA Protocol.” 2025. arXiv:2506.12508
  7. Li et al. “SwarmSys: Decentralized Swarm-Inspired Agents.” 2025. arXiv:2510.10047

工业实践

  1. Anthropic. “How we built our multi-agent research system.” 2025. 博客
  2. Microsoft. “Designing Multi-Agent Intelligence.” 2025. 博客
  3. Microsoft ISE. “Patterns for Building a Scalable Multi-Agent System.” 2025. 博客
  4. Google. “Architecting efficient context-aware multi-agent framework for production.” 2025. 博客
  5. Spotify. “Our Multi-Agent Architecture for Smarter Advertising.” 2026. 博客
  6. Zylos Research. “AI Agent Fork-Merge Patterns.” 2026. 文章
  7. AGNT.gg. “The Complete Guide to AI Agent Architectures 2026.” 文章
  8. GuruSup. “Best Multi-Agent Frameworks in 2026.” 文章

Author：Edison

Link：https://edison-a-n.github.io/2026/04/19/multi-agent-architecture-survey/

Publish date：April 19th 2026, 12:00:00 am

Update date：April 19th 2026, 2:14:13 pm

License：本文采用知识共享署名-非商业性使用 4.0 国际许可协议进行许可

CATALOG
  1. 1. 一、核心 Survey 论文
  2. 2. 二、七大架构范式
    1. 2.1. A. Supervisor / Orchestrator-Worker（星型拓扑）
      1. 2.1.1. 学术论文
      2. 2.1.2. 工业实践
      3. 2.1.3. 权衡
    2. 2.2. B. Chain / Pipeline（链式拓扑）
      1. 2.2.1. 学术论文
      2. 2.2.2. 工业实践
    3. 2.3. C. Flat / Peer-to-Peer — 辩论与共识（Mesh 拓扑）
      1. 2.3.1. 学术论文
      2. 2.3.2. 关键发现
    4. 2.4. D. Dynamic / Adaptive（动态拓扑）
    5. 2.5. E. Handoff / Swarm（控制权转移）
    6. 2.6. F. Agent 平台与网络（Platform / Network）
      1. 2.6.1. 学术论文
      2. 2.6.2. 工业实践
    7. 2.7. G. Consensus / Ensemble（并行投票）
  3. 3. 三、通信协议标准化
    1. 3.1. MCP — Model Context Protocol
    2. 3.2. A2A — Agent-to-Agent Protocol
    3. 3.3. ANP — Agent Network Protocol
  4. 4. 四、规划与任务分解
  5. 5. 五、生产框架对比矩阵
  6. 6. 六、生产工程挑战与解法
    1. 6.1. 1. 状态管理
    2. 6.2. 2. 错误恢复
    3. 6.3. 3. 成本控制
    4. 6.4. 4. 延迟优化
    5. 6.5. 5. 可观测性
  7. 7. 七、公司案例一览
  8. 8. 八、关键结论
    1. 8.1. 1. 拓扑即架构决策
    2. 8.2. 2. “先简单后复杂” 是工业共识
    3. 8.3. 3. 成本是一等架构约束
    4. 8.4. 4. 协议在标准化
    5. 8.5. 5. 动态自适应是学术前沿
    6. 8.6. 6. 可观测性先于复杂性
  9. 9. 参考文献索引
    1. 9.1. Survey 论文
    2. 9.2. 框架论文
    3. 9.3. 平台与 Agent Harness
    4. 9.4. 辩论与共识
    5. 9.5. 规划
    6. 9.6. 动态架构
    7. 9.7. 工业实践
Total : 38
2026
2025
2024
2023
2022
2021
2020
agile LLM AI Agent Agent Loop Tool Format ASGI, Python, FastAPI Architecture Agent Sandbox MCP AI Claude Code Harness Engineering thinking DDD Tool Calling Prompt Engineering OpenAgents 投研 Multi-Agent multi-tenant 可观测性 opentelemetry API Design Trading Deployment Infrastructure Memory Security AI Architecture
AI Agent 交易策略