2026-07-27

3429

英超新赛季还有一个月多一点就要开打。我的主队阿森纳上赛季结束了22年的等待，终于捧起了联赛冠军。但回头细看，欧冠和联赛杯本也该收入囊中。枪手的问题很典型：拥有可能是世界上最好的防线——上赛季最大比分失利仅仅是0比2输给曼城，可进攻线差了一口气。领先一球就想守到终场，这种习惯总让人捏把汗。 作为一个既看球又写代码的人，我最近刚好在钻研多智能体架构，琢磨着怎么用微软Agent Framework（MAF）来编排多个AI代理协同干活。于是产生了一个挺好玩的想法：能不能搭一个多智能体系统，模拟转会决策，给阿森纳的卫冕之路提供一些引援洞察？顺带也把多智能体编排的各种模式摸透。这个实验的代码和演示视频我都放到了GitHub和YouTube上。 MAF本身是个帮助开发者构建AI代理的开源框架，可以用.NET、Python和刚刚加入的Go来开发。每个代理背后都对接了大语言模型，能调用各类工具来完成任务。它的决策路径不是写死的，而是由LLM根据对话上下文和可用工具动态决定的。单个代理在复杂场景里往往会撞到天花板，受限于指令意图或底层模型的能力边界。这时候把多个具备不同技能、不同视角的代理组合起来，理论上可以突破单打独斗的局限。 不过话说回来，代理越多，麻烦也越多。架构里塞进一堆各有专长的代理，不见得就能自动避开单智能体的那些坑。在本项目中，所有代理都围绕两份JSON文件运转：arsenal-squad.json包含当下全队24名球员及可调用资金；transfer-targets.json则是引援候选清单。 实际运行起来后，系统的表现颇为分裂。正方的亮点在于代理们真的会去“查资料”，调取API来抓转会市场网站的最新传闻，然后基于热身赛数据和球队现有薪资结构给出判断。逻辑链条完整，言之有物。反方的槽点同样突出：有时候模型持续输出相同的碎片化句子，来回兜圈子，好像大脑死循环了一样。更夸张的是一次在评估潜力新星时，系统突然蹦出一句“我不是冠军球队主力的事实”，凭空给自己加了一段被弃用的沮丧独白。这不是论证，是模型幻出现了角色扮演。 我的判断是，这个业余实验恰好照出了当前多智能体系统的真实水位线。当任务边界清晰、数据接口稳定时，几个代理分工协作能跑出令人惊喜的结果。可一旦涉及创造性推理或需要长时间保持状态一致性，底层的LLM就开始黑盒式地“脑补”，输出质量急剧下降。对于想用这类框架搞生产的开发者来说，现阶段更务实的做法可能是：先用单代理把数据管道和工具调用链路彻底跑通，再逐步思考引入第二个代理究竟要解决什么具体的问题。否则一地鸡毛的调试成本，可能比枪手前锋临门一脚的命中率还让人血压高。 特别