第 24 章 多 Agent 系统设计：一个人指挥一支团队

第三篇 进阶篇：把案例变成自己的工作系统 · 更新于 2026-10-20 · 作者：BuddyMe Editorial Team

一个人也可以有一支团队。

本章源自一人公司产品宣传部的真实实践（HyperFrames + 多 Agent），以及 buddyme 专家团产品的设计过程。以「产品宣传片专家团」为贯穿案例，回答三个问题：多 Agent 系统如何设计分工、如何串联产物、何时值得拆分。

前面 28 章讲的都是「用 buddyme 干具体活」，这一章往后退一步，回答两个更根本的问题：它凭什么好用，以及怎么用才一直好用。搞懂原理不是为了当工程师，而是为了在它跑偏的时候你知道为什么、在它费点数的时候你知道省在哪里。

• 大模型是怎么「思考」的——Token、上下文窗口、温度与采样，决定了它为什么有时聪明有时糊涂；
• 指令五要素与迭代追问——同一件事，说法不同，产出质量差一倍；
• 模型为什么跑偏——问题分四类，每类有一套对应的纠偏方法；
• 技能与 Agent 的运行机制——理解了它怎么干活，你才能让它替你设计活儿；
• 自动化工作流与成本控制——让定时任务靠得住，让每一分点数花在刀刃上。

不需要任何编程基础，每一节都从「这对你用 buddyme 意味着什么」讲起。读完这一章，你再看前面 28 章的很多操作，会有「原来如此」的感觉。

单 Agent 和多 Agent 的真正差别

多 Agent 的价值来自专业分工、并行、权限隔离或独立评审，而不来自角色数量。给一个 Agent 戴上五个头衔，不等于五个 Agent。

拆分之前：任务值得多 Agent 吗

多 Agent 不是越高配越好。每增加一个角色，就多一份协调成本、多一条可能出错的信息传递链。拆分之前，先用这份清单过一遍：

满足越多，越适合多 Agent：

• 可并行：至少两个子任务可以独立进行，互不等待；
• 异质性强：子任务需要不同方法、资料或工具（比如一个要检索网页、一个要生成图像、一个要操作剪辑软件）；
• 交接可定义：输出可以定义清楚的交接格式（简报、分镜表、清单），下游拿到就能用；
• 时间敏感：并行能显著缩短等待，串行则要一路排队的场景；
• 权责清晰：有明确总负责人和最终验收；
• 预算充足：允许多轮调用。

反过来，只改一封邮件、总结一份 PDF 或格式化一张表格，用不着专家团——单 Agent 一次调用就是最优解。硬拆只会让简单任务变慢、变贵，还平添几个可能传错话的中间环节。

一个实用的判断法：数「交接物」

把任务流程在纸上画出来，如果中间会自然产生 2 份以上「会被下游引用的中间产物」（简报、分镜表、素材库），说明这个任务天然有分工结构，值得拆；如果从输入到输出一气呵成、没有中间产物，就保持单 Agent。

案例：产品宣传片专家团

任务背景

HyperFrames 是 HeyGen 开源的视频渲染框架（截至案例时 GitHub 17.7K Star），核心特点是对 AI Agent 友好：Agent 可以自动生成基于 HTML 的视频帧并渲染输出。产品宣传片具有相对固定的套路——无需口播和演员，主要由产品展示、概念字幕和 BGM 构成。这类任务适合 Agent 团队分工处理。

工序设计

产品宣传片专家团的完整工序如下：

总调度：接收任务，拆解子任务 → Brief 角色：调研产品，输出内容简报
Brief 角色：调研产品，输出内容简报 → 分镜师：按 Brief 拆解镜头序列
分镜师：按 Brief 拆解镜头序列 → 素材师：生成或抓取每帧所需素材
分镜师：按 Brief 拆解镜头序列 → 剪辑师：按分镜表在 HyperFrames 中逐帧渲染
素材师：生成或抓取每帧所需素材 → 剪辑师：按分镜表在 HyperFrames 中逐帧渲染
剪辑师：按分镜表在 HyperFrames 中逐帧渲染 → 配乐师：分析情绪曲线，生成并选择 BGM
配乐师：分析情绪曲线，生成并选择 BGM → 总调度：整合所有产物，输出成片

角色契约

专家团演示

在做产品宣传片之前，需要先把相关素材放到工作空间内。

我希望你做一个产品宣传片，具体的话，是宣传腾讯的 buddyme 最新的专家团，主打opc场景。当前空间下我放了一些素材，成片风格可以偏apple风格、真实软件界面。整个过程全自动

总调度先接到任务：把「做一支宣传片」拆成一串子任务——先搞清楚 buddyme 专家团到底是什么、卖给谁、核心价值是什么；再定叙事结构、镜头数量和节奏；然后分头去做素材、剪辑、配乐。

• brief 角色先开工：把 buddyme 官网、产品介绍、专家团列表都翻了一遍，输出一份 brief——这是什么产品、目标用户是谁、最值得放进 60 秒的几个核心点。
• 分镜师接着 brief 干活：把 60 秒拆成 7 个镜头，每个镜头都细到时间码、画面、文字、转场、动效和需要的素材类型。
• 素材师和剪辑师：一个去生成 / 抓产品截图、概念图，另一个把素材按分镜表往 HyperFrames 里塞，逐镜头渲染出每一段 MP4。
• 配乐师最有意思：它不是简单写个「科技感 BGM」的 prompt 完事，而是先把分镜表读一遍，研究每个镜头的情绪曲线，标好哪些地方需要鼓点卡产品 reveal、哪些地方需要降下来做留白、哪些地方需要一个 hit point 推 CTA，然后再去调用音乐模型生成候选 BGM。

最后由总调度把所有产物整合，跑完最后一道剪辑，输出成片。

整个过程我基本就是个旁观者：偶尔在关键节点拍一下板，比如分镜要不要这么排、BGM 喜不喜欢、字幕文案要不要改。

最后出来的片子，还挺不错的。

共享产物层：事实只有一份

多个 Agent 不应各自维护一份「产品事实」。一旦 Brief 角色和分镜师各自记忆里的产品卖点不一致，成片里就会出现自相矛盾的表述。建立单一产物路径，让「事实」只有一份：

project/
├── brief.md                  # 产品简报（Brief 角色产出，总调度确认）
├── storyboard.md             # 分镜表（分镜师产出，总调度确认）
├── assets/                   # 素材（素材师产出）
│   ├── screenshots/
│   └── concepts/
├── clips/                    # 逐帧片段（剪辑师产出）
├── bgm/                      # BGM 候选（配乐师产出）
└── output/final.mp4          # 成片（总调度整合）

下游角色只读取上游已确认的产物。角色之间不通过对话传递关键内容细节。

这条规则看似简单，却是多 Agent 系统里最容易被违反的一条。对话是会失真的：A 角色告诉 B 角色一段话，B 再转述给 C，三轮之后细节就开始漂移。文件不会——brief.md 里写的是什么，所有人看到的就是什么。

另一个好处是可追溯：当成片里某个镜头不对劲时，你可以顺着产物路径逐层检查——是简报写错了、分镜理解偏了，还是素材生成出了问题。每个环节的责任边界清清楚楚，改起来也只需改一处。

并行与串行

可以并行： 素材生成与剪辑准备、不同镜头段落的渲染。

必须串行： Brief 确认后才写分镜、分镜确认后才生成素材、素材就绪后才剪辑、成片完成后才配乐合成。

并行计划必须标明汇合点。素材和剪辑可以并行准备，但最终合成必须等待所有素材就位。

怎么画一张靠谱的并行计划

把每个角色看成一道工序，然后问两个问题：

• 它吃谁的产物？——上游是谁，决定了它最早什么时候能开工；
• 谁等它的产物？——下游是谁，决定了它最晚什么时候必须交付。

以宣传片为例，两条并行线是这样展开的：

Brief 确认 ★人工 → 分镜确认 ★人工
分镜确认 ★人工 → 素材师：生成素材
分镜确认 ★人工 → 剪辑师：准备渲染环境
素材师：生成素材 → 汇合点：素材全部就位
剪辑师：准备渲染环境 → 汇合点：素材全部就位
汇合点：素材全部就位 → 剪辑师：逐帧渲染
剪辑师：逐帧渲染 → 配乐师：情绪分析与 BGM
配乐师：情绪分析与 BGM → 总调度：合成成片

两条经验法则

• 人工确认点是天然的串行闸门：Brief 和分镜两个确认点之间不要安排任何「提前开工」，确认前的产出大概率要返工；
• 并行要留冗余：并行的两条线不会同时完成，先完成的那条不要闲置——让剪辑师在等待素材期间先做渲染模板和转场样式，汇合后直接进入正题。

串行流程简单可控但慢，并行流程快但需要精心设计汇合点。总耗时取决于最长的那条线（关键路径），所以并行的正确目标不是「让所有角色同时动起来」，而是「缩短关键路径上的等待」。

总调度：团队的调度台

总调度（制片人）是工作流控制器，是整个专家团里唯一「什么都管一点、但不亲手做任何一道工序」的角色。它不是最大的老板，而是最忙的调度台：

• 解释任务：把用户的口语化需求翻译成明确的子任务清单（「做一支宣传片」→ 调研、分镜、素材、渲染、配乐五件事）；
• 维护状态：记录每个子任务进行到哪一步，谁完成了、谁卡住了；
• 分发上下文：给每个角色最小必要的信息——分镜师只需要 brief.md，不需要用户的原始聊天记录；
• 验收交接：检查上游产物是否满足交接格式，不满足就打回重做，不让「半成品」流入下游；
• 调度决策：决定并行、等待或重试；
• 请人拍板：在关键节点（如分镜确认、BGM 选择）请用户确认，不替用户做风格决定；
• 最终合成：汇总所有产物，执行最终合成；
• 一致性检查：对成片做整体检查（画面、字幕、BGM 节奏是否对齐）。

为什么总调度不亲自干活

一个常见的设计误区是让总调度「顺手」做点内容工作——帮 Brief 角色写两句、替分镜师补个镜头。这会破坏两条基本原则：

• 裁判不下场：总调度一旦参与生产，它对其他角色产物的验收就不再中立；
• 上下文污染：总调度的上下文里塞满执行细节后，它对全局的把握反而会变弱——恰恰与设置这个角色的初衷相反。

类比现实中的制片人：他不是最好的编剧，也不是最好的剪辑，但只有他知道所有环节的进度和问题在哪里。多 Agent 系统里的总调度，扮演的正是这个角色。

三个必须由人确认的点

1. Brief 确认：产品定位、目标用户、核心卖点是否准确——这是全片的事实基础，错了后面全错；
2. 分镜确认：叙事结构、镜头数量、节奏是否符合预期——这是全片的结构骨架，改动成本随进度递增；
3. BGM 选择：情绪风格是否与成片调性匹配——这是全片的情绪基调，纯主观，模型无法替你判断。

Agent 负责生成和执行，不能替代品牌方向和风格判断。

为什么是这三个点

选择人工确认点有两条隐藏的标准：

• 影响力大：Brief 和分镜都是「上游产物」，一旦确认，下游所有角色都基于它工作——此时改一个字，等于重做下游全部工序。BGM 虽在流程末端，却直接决定观众的情绪体验，属于「结果敏感」型节点；
• 机器判断不了：这三处都涉及品味、品牌调性和个人偏好，没有客观对错可验证。数据能告诉模型「这是 7 个镜头」，只有你能告诉它「这个开场我没感觉」。

确认时的实用建议

• 在确认点给出修改意见而不是模糊感受：说「第二个镜头换成界面操作演示」，不要说「感觉不够吸引人」——前者下游能直接执行，后者会引发一轮无效返工；
• 每个确认点最多改两轮：如果两轮后仍不满意，问题多半出在 Brief 阶段的输入信息不足，回到源头补充材料，比在分镜层反复打补丁更有效；
• 不重要的小瑕疵记下来最后一起改：确认分镜时发现的字幕措辞问题，不必当场拦截整个流水线。

产品化路径：从自建到预置专家团

自建团队

将上述角色封装为一套 Skills，在 Agent 框架中自行编排。适用场景：开发者需要完全控制每个角色的提示词、工具权限和交接格式。门槛包括：定义角色职责、设计交接格式、调试并行与串行逻辑。

预置专家团

buddyme 专家团将上述分工产品化：总调度负责任务拆解和分配，成员并行执行，用户只需描述任务。

创建专家团的入口也很简单：「深度」页里「专家库」旁的多智能体框架区，新建框架即可（详见第 6 章第 4 节）。

随后会跳转到 buddyme 的对话框，按它给定的格式写下描述，就能快速创建属于你的专家团。

当前专家团覆盖的典型场景：

两种路径的选择

质量影响因素

同样一套专家团，有人跑出惊艳的成片，有人得到平庸的结果。差距往往不在流程本身，而在下面这些输入条件上。按影响从大到小排列：

• Agent 底座模型：Agent 模型的指令跟随和推理能力直接影响分镜质量和任务拆解准确性。这是最值得花钱的地方——底座弱，后面全补不回来；
• 用户提供的素材：提前放入素材空间（图片、视频）可显著提升成片质量。真实的 Logo、产品截图、品牌素材，是 AI 概念图永远替代不了的；
• 图像生成模型：影响产品截图的清晰度和概念图的视觉质量；
• 浏览器工具接入：若 Agent 具备浏览器操作能力，可自动抓取官网截图和产品界面，减少人工准备。

别忽视「垃圾进、垃圾出」

多 Agent 系统会放大输入的质量差异：单 Agent 时，模糊的输入只会让一次输出含糊；多 Agent 时，模糊的 Brief 会让分镜师、素材师、剪辑师在各自的理解上继续加工——偏差层层放大。所以，提升成片质量最便宜的杠杆，往往就是把 Brief 阶段的输入材料备齐：产品官网地址、定位描述、参考风格链接、可用素材——五分钟的准备，胜过成片后半小时的返工。

全自动方案适合快速出片（开源项目介绍视频、产品演示视频等）。对品质要求高的场景，建议以 Agent 产物为基础再做一轮人工二次剪辑——专家团负责把 90% 的体力活做完，人负责最后 10% 的点睛。

失败传播控制：让意外停在原地

多 Agent 系统最大的隐性风险不是某个角色失败，而是失败沿着流水线传播：素材师没拿到图，剪辑师渲染出空镜头，配乐师对着空镜头配了情绪，总调度把这一切合成成片——每一环都「忠实执行」了，结果是一支谁也不能用的片子。所以每个角色都要预置降级路径：

降级交付必须说明缺失内容，不伪装成完整成果。

三条设计原则

• 失败就地隔离，不向下游传播：配乐师收到的是「素材缺失版」分镜表时，总调度有义务告知这一点，而不是让配乐师对着残缺信息做出「正常」的判断。下游角色应当知道自己拿到的是什么；
• 部分好过没有：7 个镜头成了 5 个，就交付 5 个并说明缺哪 2 个——不要因为追求完整而把已完成的部分一起丢弃；
• 降级是显式的：交付物顶部明确标注「本次为降级交付，缺失：BGM 成品」。沉默的降级最危险——用户以为拿到了完整成果，发布出去才发现问题。

人能帮上什么

降级路径触发时，通常正是需要人介入的时刻。收到降级交付，按优先级做三件事：先看缺失项是否影响核心信息（开头三秒的产品名、结尾的 CTA 最关键）；再决定是补材料重跑，还是接受现状人工补齐；最后把这次失败的原因记下来——如果同一个角色反复触发降级，说明它需要更好的输入或更强的工作模型，而不是更多的重试运气。

多 Agent 任务 Brief 模板

把任务交给专家团时，一份交代清楚的 Brief 能省掉大量来回。下面的模板覆盖了专家团开工所需的全部信息，复制后按方括号提示填写即可：

目标：为 [产品名称] 制作一支 [时长] 的产品宣传片。
风格：[参考风格，如 Apple 风、极简风]。
素材：[素材空间路径或已提供的图片/视频]。
角色：总调度、Brief、分镜师、素材师、剪辑师、配乐师。
确认节点：Brief 完成后、分镜完成后、BGM 选择时，需用户确认后继续。
模型：Agent 模型 [指定]；图像生成模型 [指定]。
全自动/半自动：[说明是否需要中间节点人工介入]。

各字段填写建议

Agent运行机制：理解buddyme如何干活

你发一句"帮我整理这批文件"，buddyme 会自己去翻文件夹、读内容、建目录、写文件——没有人一步步教它。这一节拆开看它是怎么干活的。懂了机制，你就知道怎么下单它才接得住，出问题时也知道卡在哪一环。

核心机制：Agent 循环

它是什么：buddyme 干活不是"一问一答"，而是一个不断转的循环：

这对你意味着什么：你看到的"它在忙"，其实是它在一圈一圈地转。每一圈它都会读一遍当前进展，再决定下一步。所以：

• 任务描述里给足"目标+验收标准"，它每一圈都有对照，不容易迷路。
• 中途打断是可以的——它每圈之间都会停下来听你说什么。
• 别在它转的时候连发十几条补充指令，会把它当回合的"参考资料"搅乱节奏。一次说全，剩下的等它这一轮干完再提。

工具调用：它的手

原理一句话：模型本身只会写字，"读文件、跑脚本、发请求"这些动作靠工具。它输出一个"我要用某某工具、参数是什么"的请求，系统替它执行，把结果塞回对话，它再基于结果继续想。

这对你意味着什么：

• 工具结果它真的会读。如果文件太大、返回太乱，它的判断也会跟着糊——给它的文件越干净，干得越稳。
• 它每调一次工具、每读一个文件都消耗 Token。任务越绕，成本越高。路径说准、文件给对，就是在省钱。
• 它"动手"前通常要你确认（尤其写文件、删文件这类）。看到确认请求认真看一眼再点，这是你的刹车。

多步规划：先画地图再上路

原理一句话：面对复杂任务，它不会闷头就干，而是先拆解——先做什么、后做什么、哪些能并行。任务超过五步以上，规划的质量就决定了成败。

怎么做（让它规划得更好）：

• 第 1 步：复杂任务先说"先列执行计划，我来确认"。
• 第 2 步：看它的计划有没有漏关键步骤、顺序对不对。缺什么当场补。
• 第 3 步：确认后让它按计划执行。执行中它偶尔会根据实际结果微调路线——这是正常的，只要终点没变。

出错怎么办：如果它转了很多圈还在原地打转（反复读同一个文件、反复失败），八成是任务有它跨不过去的坎——比如文件不存在、格式不认识、权限不够。直接叫停，人工把它缺的那块补上，比让它自己磕效率高得多。

为什么长任务后半段容易"变味"

为什么：它每一步只基于当前上下文决定下一步，没有一个"全局导演"盯着。步骤一多，最初的要求在上下文里被后面的内容稀释，就越写越偏。

这对你意味着什么：

• 长任务的验收标准写进指令，并让它在完成时对照自查："完成后核对：三个文件都生成、命名格式正确。"
• 能拆的拆，每步产出落成文件，下一步引用文件而不是靠它"记得"。
• 最后一步让它"通读一遍成品，检查和最初要求是否一致"——一次廉价的自检，往往能抓住跑偏。

看懂它的"忙碌"：三查法

怎么做：它干活时，盯三个地方就能判断状态正不正常：

• 查动作：它正在调什么工具？读的文件对不对？——动作错了，立刻纠正。
• 查方向：这几圈下来，进展是在靠近目标还是绕圈？——绕圈就喊停。
• 查产出：中间产物出现了没有？——迟迟没有产出，说明规划或路径有问题。

理解机制后的下单三原则

• [ ] 指令里写清目标+验收标准（给它每圈对照的尺子）
• [ ] 文件给准、给干净（它真的会逐字读）
• [ ] 复杂任务先出计划、后执行
• [ ] 干活中少插话，一轮说完
• [ ] 它原地打转时果断叫停、人工补缺

把 buddyme 当成一个"会自己找路但需要好地图"的实习生：地图（指令）画得越清楚，它的循环转得越顺，你的积分花得越值。

它的"记性"：上下文是怎么花掉的

原理一句话：它其实没有记忆，只有"当前摆在桌上的资料"。每转一圈，它读的是完整的对话记录加工具返回结果——桌上资料越多，它看得越慢、花得越多，超出容量后最早的内容会被收走。

这对你意味着什么：

• 长对话越到后面越贵、越慢，不是错觉——桌上的资料真的在变厚。
• 关键要求（目标、格式、禁区）要在指令里重复强调，别以为"前面说过它就记得"，桌上资料一厚，最早的那句可能已经被收走了。
• 大段参考资料先整理成文件再让它读，比直接粘在对话里干净；干完一类活就开新对话，别让上一个任务的"残渣"占桌面。

多步任务里，它怎么"接力"

原理一句话：复杂任务里它会自己做分工——先规划出步骤，再把每步交给合适的"手"去执行，前一步的产出是后一步的原料。你看到的一次"干活"，背后可能是好几条流水线在接棒。

这对你意味着什么：

• 给它任务时说清"最终交付什么"，比说清"每一步怎么做"更有用——步骤拆分和接棒是它的强项，路线它自己会排。
• 但各步之间的"验收口径"要你给：比如"表格里的数字必须和原始数据对得上"，否则接棒时错误会悄悄传递，最后一步才爆出来。
• 中间产物存文件是接力最稳的方式：每一步落一个文件，出问题时能定位是哪一棒掉的链。

两种干活模式的选用

问答式：你问它答，一圈都不用转。适合查资料、改文字、出主意这类"动嘴不动手"的活，消耗也最小。

执行式：它要转很多圈、调用各种工具才能交付。适合批量处理、文件整理、多步生成这类"必须动手"的活。

怎么选：判断标准就一条——这件事需不需要碰文件。不碰文件的事用问答式，一句指令最多两三轮；要碰文件的事才上执行式，并做好多花积分的准备。最浪费的模式是：明明一句话能答的事，非让它去"整理文件夹"绕一大圈。

出了问题，先判断卡在哪一环

• 它答非所问——是输入环节的问题，回头检查指令和文件给对了没有。
• 它反复调同一个工具失败——是工具环节的问题，检查文件路径、格式、权限。
• 它说"做完了"但成品不对——是验收环节的问题，说明你的验收标准没写或太模糊，补上再让它自查。
• 它中途停下来说遇到障碍——这不是故障，是它在等你。把它缺的信息补给它，循环就能接着转。