多智能体系统（Muti-Agents）是能够自己思考、计划、找出相关信息来源并从中提取信息、采取行动，甚至在出错时还能自我纠正的自动系统。

OpenAI 推出了Swarm 开源框架，用来以一种非常灵活的方式来管理和协调多智能体系统。

本文我们基于 OpenAI 推出的 Swarm 开源框架，来实现多智能体系统。内容包括：多智能体案例架构设计；多智能体案例代码级实现。

下文我们详细剖析之。

1.多智能体案例架构设计

今天，我们来做个实际的操作演示。我们要做一个网上研究助手多智能体应用，这个应用包括以下功能：

• 接收用户的查询请求。

• 在网上搜索相关信息。

• 然后把它变成一篇精心撰写的文章。

我们会用到：

• OpenAI Swarm 来协调多个智能体。

• Streamlit 来做用户界面。

网上研究助手多智能体应用架构设计如下：

如上图所示，我们有三个智能体：

智能体1 → 接收用户的查询并在网页上搜索。 

智能体2 → 接收智能体1找到的网页结果，然后进行优化。

智能体3 → 一个技术写作智能体，它接收优化后的结果，起草一篇文章，然后发送回给用户。

2.多智能体案例代码实现

第一、准备工作

首先，我们从一些基础的导入开始：

我们使用 OpenAI 的 Swarm 来构建我们的多智能体应用。

我们用 duckduckgo_search 来在网上搜索。

接下来，我们定义大模型名称，并初始化 Swarm 客户端和搜索客户端：

第二、网络搜索智能体1 架构设计和代码实现

智能体1需要接收用户的查询，在网上搜索，然后返回原始的网页结果。

为了实现这个功能，我们首先编写一个函数，该函数接收查询并返回原始结果。

第7行：在网上搜索。

第9-16行：将所有网页结果（标题+网址+正文）收集到一个字符串中并返回。

接下来，我们定义一个网络搜索智能体，它将使用上述函数，我们还在下面为这个智能体指定了指令：

第1行：我们指定角色。

第6-11行：我们定义了一个来自 OpenAI Swarm 的 Agent 类的对象，指定上述函数、指令和 LLM（大语言模型）。

第三、网络过滤智能体2 架构设计和代码实现

智能体1 返回的结果可能会相当混乱，并且可能包含很多不相关的信息。我们需要另一个智能体来筛选出合适的信息。

和智能体1一样，我们再定义一个 Agent 类的另一个对象，并且传递指令：

第四、写作智能体3 架构设计和代码实现

最后，我们创建另一个智能体3，它接收上面筛选过的结果并起草一篇文章。

第五、多智能体架构和代码实现整合

虽然我们已经定义了上述三个智能体，但多智能体应用并不知道这些智能体应该按什么顺序运行，以及谁的输出应该传递给下一个智能体。

因此，我们需要在一个工作流程中把它们串联起来。

为了简单起见，我们一步一步来做。

首先，我们将用户查询传递给网络搜索智能体1，它生成原始响应：

接下来，我们将原始响应传递给网络过滤智能体2：

最后，我们将筛选后的结果传递给写作智能体3：

run_worwflow(query) 运行工作流程方法的完整代码如下：

执行运行工作流程方法会生成预期的输出，如下图所示：

当然，我们本文没有涉及 Streamlit 前端部分，完整的代码已放在 Github 上。

  这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】