并行代理（专家评审团）

May 15, 2026 · View on GitHub

源文件: examples/agents/demo_parallel.py

概述

本示例展示了 ParallelAgent，它将单个查询同时分发给多个专家代理并汇总它们的响应。四个专业的 ChatAgent 实例（技术、商业、风险和法律专家）并行评估一个商业提案，ParallelAgent 将所有分析汇集为统一的响应。这种模式非常适合多角度评估、专家评审团以及任何需要对同一输入获取多元观点的场景。

前置条件

环境变量：DEFAULT_LLM_API_KEY、DEFAULT_LLM_BASE_URL、DEFAULT_LLM_MODEL_NAME
requirements.txt 中列出的 Python 依赖包

运行方式

python -m examples.agents.demo_parallel

代码详解

配置

Config.set_agent_llm_model("default_llm")

为所有代理设置全局默认 LLM 模型。

组件 (`oxy_space`)

组件	类型	关键参数
`default_llm`	`HttpLLM`	`api_key`、`base_url`、`model_name` 来自环境变量
`tech_expert`	`ChatAgent`	`prompt`：高级技术架构师；评估技术栈、架构、挑战、资源；输出可行性评分 (1-10)
`business_expert`	`ChatAgent`	`prompt`：商业分析师；评估市场机会、商业模式、投资回报率、上市策略；输出可行性评分 (1-10)
`risk_expert`	`ChatAgent`	`prompt`：风险管理专家；分析技术、市场、运营和合规风险；评定概率/影响/等级
`legal_expert`	`ChatAgent`	`prompt`：AI 产品法律专家；分析数据合规、AI 治理、知识产权保护、合同；提供法律风险清单
`expert_panel`	`ParallelAgent`	`permitted_tool_name_list=["tech_expert", "business_expert", "risk_expert", "legal_expert"]`；`is_master=True`

每个专家代理都有详细的系统提示词，将其限制在特定的分析领域。提示词指示每位专家输出结构化的评估，包含评分和建议。

入口函数

main() 函数定义了关于构建 AI 客服系统的详细商业查询：

query = (
    "We are a mid-sized e-commerce company (50 support staff, 5000+ daily inquiries). "
    "We want to build an AI customer service system that auto-handles 80%+ common questions, "
    ...
    "Please evaluate whether we should proceed."
)

此查询通过 mas.start_web_service(first_query=query) 发送。

核心概念

ParallelAgent -- 使用 asyncio 将相同查询并发分发给 permitted_tool_name_list 中列出的所有代理，然后汇总结果。
permitted_tool_name_list -- ParallelAgent 将并行调用的代理/工具名称列表。尽管名称中包含 "tool"，但它也适用于代理（在 OxyGent 中代理被视为可调用工具）。
专家专业化 -- 每个 ChatAgent 通过其提示词被限制在单一评估维度，防止重叠并确保全面覆盖。
并发执行 -- 四位专家同时处理查询，与顺序执行相比显著减少总延迟。

预期行为

Web 服务在 http://127.0.0.1:8080 启动。
AI 客服提案的详细查询被发送。
ParallelAgent 将查询并发分发给四位专家。
每位专家生成其领域专业分析：
- 技术专家：评估技术栈可行性、架构和资源需求。
- 商业专家：评估市场机会、投资回报率和上市策略。
- 风险专家：识别并评定技术、市场、运营和合规风险。
- 法律专家：分析数据合规、AI 治理和知识产权保护。
四份分析汇总为一个综合响应，显示在 Web UI 中。
总响应时间约为最慢专家的耗时（而非所有专家耗时之和）。

概述