从 DAG 到 Multi-Agent 的演进与融合-牧云

1. 核心概念定义

在构建基于大语言模型（LLM）的应用时，我们常听到以下五个术语，它们分别代表了不同的技术维度：

DAG (Directed Acyclic Graph)：数据结构。有向无环图，定义任务的依赖关系和执行顺序，不允许循环。它是工作流编排的底层基础。
Workflow (工作流)：执行模式。预定义的、确定性的任务链路。优势在于可控、可审计、易调试；劣势是灵活性低，难以处理开放域问题。
Agentic (智能体)：行为主体。以 LLM 为核心，具备“感知-规划-行动-反思”能力的系统。公式：Agent = LLM + Planning + Memory + Tools。优势是灵活自主；劣势是不可控、成本高。
Multi-Agent (多智能体)：协作架构。多个具有不同角色（Role）的 Agent 通过消息传递协同工作，解决单一大模型无法处理的复杂任务。
Graph (图)：通用编排结构。通常指有向图（允许有环）。相比 DAG，Graph 支持循环（Loop）和状态回溯，是实现复杂 Agent 逻辑（如自我修正、人机协同）的关键底层架构。

特性	DAG	Workflow	Agentic (Single)	Multi-Agent	Graph
本质属性	数据结构 (无环)	确定性执行流	自主决策单元	分布式协作系统	通用编排结构 (可含环)
自主性	无	低 (预定义)	高 (动态规划)	极高 (协同决策)	中 (取决于节点逻辑)
可控性	极高	高	低	中 (受编排约束)	高 (状态可追踪)
是否支持循环	❌ 否	通常否	✅ 是 (内部循环)	✅ 是	✅ 是 (核心优势)
典型场景	数据管道、简单链	ToB 业务流程、固定问答	开放探索、代码生成	复杂项目、角色扮演	自我修正、人机在环

Graph 是 DAG 的超集：DAG 是 Graph 的一种特殊形式（无环）。现代 Agent 系统需要“反思-重试”机制，因此必须使用支持环的 Graph，而非单纯的 DAG。
Workflow 是表象，Graph/Agent 是内核：现代的“Agentic Workflow”本质上是一个基于 Graph 编排的、嵌入了 Agent 节点的执行流。
Multi-Agent 是 Agentic 的高级形态：当单个 Agent 能力不足时，通过 Graph 将多个 Agent 连接起来，形成多智能体系统。

AI 应用架构的发展并非简单的替代，而是结构化（可控）与自主化（灵活）的螺旋式融合：

基础层：DAG
- 传统软件工程已有的技术，用于处理线性依赖任务。
起步期：Workflow (Chain)
- LLM 应用早期，通过 LangChain 等框架将调用串联成固定链条。强调确定性，牺牲灵活性以换取稳定。
探索期：Agentic (Pure Agent)
- 引入 ReAct 模式，让 LLM 自主规划路径。强调灵活性，但面临死循环、不可控和高成本问题。
成熟期：Agentic Workflow (Graph-based)
- 当前主流范式。结合两者优点：
  - 用 Graph/DAG 提供顶层骨架和约束（可控）。
  - 用 Agent 填充节点内部逻辑（灵活）。
  - 支持循环（自我修正）和状态管理。
复杂期：Multi-Agent System
- 在 Agentic Workflow 基础上，引入角色分工（如： planner, executor, reviewer），通过 Graph 管理复杂的协作流转。

从 Chain (DAG) 转向 Graph 的核心驱动力是 Cycle（循环） 和 State（状态）：

比喻：

Graph 是城市的道路网（规定哪里能走、哪里能掉头）。

Agent 是司机（根据路况决定怎么开）。

Workflow 是导航路线（预设或动态规划的路径）。

Multi-Agent 是车队协作（多辆车配合完成运输）。

简单、固定、需审计的任务（如：提取简历信息并存入数据库）：使用基于 DAG 的 Workflow。
开放、探索、需推理的任务（如：根据模糊需求写代码）：使用 Agentic 模式。
复杂、长链条、需容错的任务（如：全自动研发流程）：使用基于 Graph 的 Agentic Workflow，必要时引入 Multi-Agent 进行分工。

结论：不要将二者对立。最佳实践是 “以 Graph 为骨架，以 Agent 为灵魂”，在可控的编排结构中注入自主的智能决策能力。