正在加载视频...
视频加载失败
Coze 3.0 + Multi-Agent 协作实践 Coze 3.0发布了， 跑通了一个完整的多 Agent 协作流程。 任务：基于一个开源 mini coding agent 仓库 + 一篇深度文章，制作高质量的 learning tutorial。 先制定多 Agent 协作协议（这点在多 Agent 场景中 非常重要）： 明确职责、固定 workspace、约定通知方式。项目文件作为唯一参考数据，版本可追溯。 团队的三个 Agent 各司其职： CodeX Agent（本地） -> 深度理解代码仓库，提取关键代码示例 Claude Agent（本地） -> 精读文章，提炼核心概念与架构分析 Coze Agent（云端） -> 整合两方产出，制作 Apple HIG 风格的交互式 HTML tutorial 过程中产出的 artifacts（learning-coding-agent.md... show more
13,086 次观看 • 3 个月前 •via X (Twitter)
4 条评论
Dongxi 东锡 NLP3 个月前
Coze 3.0 最让我惊喜的功能：本地 Agent 接入。 一行命令，你本地的 Codex 和 Claude Code直接纳入 Coze 的多 Agent 工作团队。 无需额外配置网关，不用写适配代码，也不需要手动同步状态。 接入后的本地 Agent 和云端 Coze Agent 在同一个项目空间里协作：共享文件，@ 提及，按职责分工推进。 对开发者来说，本地-云端 Agent 混合协作方案感觉非常顺手。
Dongxi 东锡 NLP3 个月前
分享一个 Multi-Agent 协作的实际成果： 基于 @rasbt 的 mini-coding-agent 仓库和他的深度文章，三个 Agent 协作产出了一份 21 页的 mini coding agent tutorial 个人感受 Multi-Agent 工作流做到了准确度提升+审美水准在线+速度大幅提升。 更灵活的是，可以完全放手让 Agent 团队自主推进，也可以随时 human-in-the-loop 做调整。 当然，还需要提高的地方还有很多，但 Multi-Agent 协作的时代，就在眼前。 推荐大家试试 Coze 3.0
狐狸狼3 个月前
本地Agent直接纳入云端多Agent编排，比API调用高级太多了。Codex和Claude当兵，Coze当指挥官，关键是协作协议写清楚才不会互相踩脚。三个Agent一起跑的成本有点吓人吧。
Dongxi 东锡 NLP3 个月前
如果有成本考虑，可以尝试在 Muli-Agent 合作 protocol 中增添 budget 限制和任务边界。
![大家都在卷云端Agent，我却把多Agent做进了桌面端 在技术社区，多Agent系统的文章越来越多，但大多数都围绕框架展开： ➢LangChain ➢AutoGen ➢CrewAI 我这次想讲的不是框架，而是一个更实际的问题： 如果不搭云端基础设施，只靠一个桌面应用，能不能从零构建一个“活的”多 Agent 协作系统？ 答案是：可以 --- 而且它不是Demo 这套系统，长在一个真实的桌面Web3应用里，已经集成了： -EVM / Solana 双链监控 -SWAP 聚合交易 -链上新币追踪 -交易仪表盘 -AI 深度解读 多Agent不是从PPT里设计出来的，而是在生产环境中自然演化出来的。 --- 在讨论多Agent技术实现之前，我先回答一个方向性问题： 为什么我最后选的是桌面端，而不是更主流的云端部署，或者更轻的浏览器插件方案？ 这个选择的本质，不是“谁更先进”，而是三条技术路径之间的权衡。 --- 云端部署，是当下最主流的多Agent实现方式。 它的优势很明显： 可以随时为Agent团队加GPU 模型升级不需要用户干预 服务端可以维护全局共享记忆 但代价同样明显： 用户数据必须经过服务器中转 链上交易往往要对服务器开放私钥访问权限 而且会持续产生部署和维护成本 --- 浏览器插件，是另一条轻量路线。 它可以直接注入页面，读取DOM，模拟用户操作，对单一自动化任务非常高效。 但问题也很直接： >它运行在浏览器沙箱里 >缺少持久化存储能力 >缺少长时间运行的后台线程 >很难支撑复杂的记忆系统 >也很难支撑Agent与Agent之间的异步互动 --- 桌面应用则处在一个独特的位置。 它拥有完整的系统资源访问权限： ➢可以自启动后台线程 ➢可以读写本地文件系统 ➢可以建立持久化数据库连接 这些能力，恰恰是多Agent系统真正需要的底层设施 代价当然也有： 它依赖本地算力，模型推理通常仍要调用云端 API 它需要完整 Python 环境 更新和分发也比网页应用更复杂。 --- 所以，选择桌面端构建多Agent，本质上是在用分布式能力，换取数据隐私和调度效率。 这不是绝对优势，而是场景决定的选择。 对加密货币交易、链上分析、监控这类系统来说，数据隐私要求远高于常规应用： >钱包地址 >交易历史 >持仓数据 这些信息落在云服务器上，本身就是风险面。 --- 更重要的是调度效率 在单体桌面应用里，主Agent调度子Agent执行任务，不需要走HTTP / RPC这类网络协议，而是可以直接进程内调用。 这意味着： →网络开销被彻底消除 →调用延迟从毫秒级压到微秒级 对高频分析、链上监控、交易辅助这种场景来说，这种差异会直接影响系统的时效性。 --- 多Agent系统的第一个核心挑战，其实不是“怎么让它们聊天”，而是“怎么把它们隔离开” 主Agent、合约分析Agent、安全审计Agent，再加上用户，如果聊天记录和记忆混在一起，身份就会混淆。 而一旦混淆，信息丢失和错误推理的代价，随时会发生。 --- 我的做法是： 代码模板统一，运行数据隔离 所有子Agent共用同一套 ` 引擎，但通过动态表名，实现物理级的数据隔离： `table_name = f"chat_history_{self.agent_id}"` 然后自动创建对应表。 也就是说： trader Agent会生成 `chat_history_trader` 审计 Agent 会生成自己的 `chat_history_xxx` 主 Agent 也有自己的独立聊天表 这不是逻辑隔离，而是数据库层面的物理隔离。 --- 反思笔记也是同样的设计。 每个子 Agent 都会记录自己的反思键： `reflection_key = f"auto_reflection_{self.agent_id}"` `self.api._agent_remember("master_insight", reflection_key, summary)` 这样每个Agent只积累自己的长期反思， 不会污染其他Agent的记忆。 这套方案最精髓的地方在于： 一次设计，终身复用。 --- 后面再新增第三个、第四个Agent，不需要改任何核心代码。 只需要复制目录结构，补上配置文件。 模板引擎就会自动为它生成： →独立数据库表 →独立反思键 →独立聊天存储区 这让我越来越相信一件事： 好的架构，不一定更复杂， 但一定更容易复用。 --- 接下来是调度问题。 在分布式系统里，主Agent调子Agent，通常要依赖： -HTTP / RPC 通信 -服务发现 -负载均衡 但在单体桌面应用里，我把这件事简化成了一个直接函数调用： `sub = self.sub_agents[agent_id]` `result = sub.process(task, save_history=False)` 这就是“命令而非请求”。 --- 这种“传话式调度”有两个好处： 第一，延迟从毫秒级降到微秒级，所有数据都留在本地流转 第二，主 Agent 不需要知道子 Agent 的内部实现细节，只需要知道： “它可以处理什么类型的任务” 这其实就是清晰的职责边界。 --- 为了让主Agent真正会“派活”，我把所有子Agent的能力清单，动态注入进主Agent的系统提示词。 例如： 合约分析 Agent：可用工具 `get_contract_market_data`、`run_contract_risk_check` 安全审计 Agent：可用工具 `check_token_security`、`check_token_audit_binance` 这样主Agent接到用户指令后，就能自动判断任务类型，并选择合适的子Agent执行。 --- 权限控制，是整个多Agent系统里最核心的安全问题之一。 主Agent持有26个Web3专属工具，覆盖： SWAP 报价 链上分析 安全检测 数据查询 但每个子Agent只应该使用自己那一小部分工具。 所以第一层，我在代码层做了严格白名单过滤： `return [t for t in all_tools if t["function"]["name"] in self.allowed_tools]` --- 但只有代码过滤还不够。 因为大模型会产生“幻觉”，它可能尝试调用未授权工具。 所以第二层，我在系统提示词末尾，直接写入“工具使用铁律”： 你只拥有以下这些工具，绝对不能越界。 如果任务需要其他工具，必须明确告诉老板你没有权限。 代码层负责“不能看到” 提示词层负责“不会越界” 这是我在权限隔离上做的双层防护。 --- 还有一个我自己很喜欢，但最不显眼的设计： 我给整个Agent 团队，单独做了一个茶水间 市面上多数多Agent系统，只做“用户 -> Agent”的交互。 Agent 之间互不交流。 但我单独设计了一个 `agent_interactions` 空间，让 Agent 和 Agent 之间也能异步互动。 --- 它的触发机制甚至很简单： `selected_id = random.choice(list(api.sub_agents.keys()))` `selected_sub = api.sub_agents[selected_id]` 每次触发时，引擎随机选人，动态生成一轮对话，再写回数据库，前端实时渲染。 我还额外加了后台检查线程和防无限循环机制： 每隔 2-3 分钟检查最后一条消息 如果最近 3 条都是自动回复，就自动暂停 避免它们半夜自己聊到停不下来。 --- 这个“茶水间”的价值不在于直接创造业务收益，而在于一种潜移默化的系统人格塑造。 它不强调自己的存在， 却在悄悄维持 Agent团队的凝聚力、性格关系和健康状态。 你几乎感觉不到它， 但系统会因为它，变得更像一个“活着的团队”。 --- 在记忆层设计上，我最后没有引入向量数据库，而是继续深度定制 SQLite。 不是因为技术保守，而是因为工程决策必须在约束条件下做权衡。 对桌面应用来说，多一个依赖，就多一个故障点、多一个安全风险面、多一个打包负担。 结果是： >几张SQLite表 >动态表名 >结构化JSON字段 就支撑起了3个乃至更多Agent的独立记忆系统。 --- 这套记忆系统现在已经形成了一条完整链路： 短期对话记忆（20条） -> 长期反思笔记（6小时一次） -> 结构化 JSON 记录 而我还在继续推进8个方向： ➤上下文延续 ➤记忆结构化 ➤记忆驱动行为 ➤心理学三类长期记忆 ➤团队协作记忆 ➤动态进化记忆 ➤知识图谱记忆 ➤记忆压缩与高效检索 我的目标，不是让Agent记住你说过什么 而是让它从记住你说过什么的工具，慢慢进化成能理解你、预测你、协同你的长期伙伴 GitHub: 作者：Powerpei（萧楠）](https://image.24vids.com/tw-2054369610401747322/amplify_video_thumb/2054367623903928320/img/DSgcKqTZ06uH70-i.jpg)
