多 Agent 系統架構：一個 Bot 怎麼演七個角色
直接回答
多 agent 系統是把一個複雜任務拆成多個 AI 角色分工完成的架構。每個 agent 有自己的角色定義（system prompt）和工具，彼此傳遞結果。7 個 AI agent 不等於 7 個 Telegram bot——通常是一個後台系統，透過一個或多個 bot 介面把結果回傳給用戶。常用框架：LangGraph、CrewAI、AutoGen、n8n。
最近看到一個案例：有人說他幫客戶建了一個「7 個 AI agent 的編輯部」，跑在 Telegram 群組裡，每天自動掃 400 篇文章、找問題、派工修稿。
我第一個問題是：7 個 agent 是 7 個 bot 嗎？
不是。這是很多人對 multi-agent 系統的常見誤解。
—
Agent 是什麼
Agent 是一個有特定角色的 AI 實例。
它不是一般的 LLM 問答。它有：
- 角色定義（system prompt：你是誰、你負責什麼）
- 工具（可以搜尋、呼叫 API、讀寫檔案）
- 目標（完成什麼算完成）
Agent 的特點是「自主」：它根據目標決定下一步，不是你說一句它做一句。
—
多 Agent 系統的邏輯
複雜任務往往需要多個專業。
以「400 篇文章 SEO 健檢」為例：
- 統籌 agent：從 Google Search Console 拿數據，決定今天優先掃哪些文章
- 診斷 agent：逐篇分析，找出哪裡有問題（連結 404、數字過期、meta 太短）
- 連結 agent：逐一點擊所有外部連結，確認存不存在
- 寫手 agent：根據診斷結果，更新過期的數字和文字
- 統籌 agent：收集所有結果，整理成報告，推到 Google Doc
每個 agent 有自己的系統提示和工具，彼此傳遞輸出，最後整合成完整結果。
—
一個 Bot，多個 Agent
關鍵：agent 是後台的軟體角色，不是 Telegram 帳號。
後台可以跑 7 個 agent，但對外只需要一個 Telegram bot。Bot 負責把 pipeline 的輸出格式化後貼回群組：
📋 統籌：今天掃 28 篇，優先處理 8 篇掉流量的
🔍 診斷師：第 3 篇有 2 條壞連結、數字過期
✍️ 寫手：已更新簽證費為 AUD 1,600
✅ 完成，報告已存到 Google Doc
看起來像 4 個人在工作，實際上是一個 bot 把 pipeline 結果分段回傳。
—
常用框架
LangGraph：圖結構，適合複雜流程，可精確控制 agent 的觸發條件和跳轉邏輯。
CrewAI：角色導向，定義 crew（團隊）和 task（任務），設定簡單，上手快。
AutoGen：Microsoft 出品，agent 之間可以互相對話、辯論，適合需要多輪協作的任務。
n8n：no-code 流程工具，適合串接外部服務（GSC API、Google Doc、Telegram），不需要寫太多程式碼。
簡單任務用 n8n 或 CrewAI，複雜 pipeline 用 LangGraph。
—
什麼任務適合多 Agent
適合：
- 任務有明顯的階段（蒐集→分析→生成→回報）
- 每個階段需要不同的「專業」或工具
- 任務量大，需要並行處理
不適合：
- 簡單問答或單次生成，一個 LLM 呼叫就夠
- 流程還沒想清楚，多 agent 會放大混亂
—
多 agent 系統的本質是「讓 AI 分工合作」。Bot 是前端介面，不是架構的核心。架構的核心是你怎麼拆任務、怎麼設計 agent 之間的傳遞關係。