The Multi-Agent Architecture That Actually Ships
Luke Alvoeiro @ Factory
核心主题
AI 的瓶颈已经不再是模型能力， 而是”人类监督 AI 的带宽”。
当前很多 AI Agent 系统的问题：
- 能生成代码
- 能调用工具
- 能完成短任务
但：
- 无法长期运行
- 无法稳定协作
- 无法持续推进复杂项目
- 无法可靠恢复状态
- 人类需要频繁介入
Factory 的目标：
构建真正能够连续工作数天的 Autonomous Software Agents。
一、传统 Agent 架构的问题
1. Request-Response 架构太短暂
大部分 Agent：
User Prompt
↓
LLM
↓
Tool Call
↓
Done问题：
- 没有长期状态
- 无 durable execution
- 无任务恢复
- 无持续 memory
- 无长期 planning
本质仍然是：
Chatbot + Tool Calling而不是：
Persistent Autonomous System2. 人类监督成为瓶颈
模型越来越强后：
- 真正的限制不是模型智商
- 而是人的 attention bandwidth
即：
一个人无法同时监督大量 AI Worker导致：
- backlog 清不掉
- 人类持续成为阻塞点
- AI 无法 scale
二、Multi-Agent Taxonomy（Agent 架构分类）
Luke 将常见 Agent 系统分成几类。
1. Delegation Architecture（委派架构）
结构：
Planner Agent
├── Backend Agent
├── Frontend Agent
├── Testing Agent
└── Database Agent特点：
- Planner 拆分任务
- Worker 执行子任务
- 适合复杂工程任务
优点：
- 可扩展
- 并行化
- 职责清晰
问题：
- context 分裂
- coordination 成本高
- merge conflict
- state 不一致
2. Creator-Verifier Architecture（生成 + 验证）
这是 Factory 强调最多的模式。
结构：
Creator Agent
↓
Verifier AgentCreator：
- 写代码
- 修改系统
- 生成方案
Verifier：
- Review
- Test
- Challenge
- Validate
核心观点：
Generation 容易产生幻觉， Verification 必须独立。
原因：
- Agent 会对自己的输出产生偏见
- Self-review 不可靠
- Verification 必须解耦
这是整个 talk 最重要的观点之一。
3. Direct Communication Architecture
结构：
Agent A ↔ Agent B ↔ Agent C所有 Agent 直接通信。
问题：
- state 容易漂移
- 信息同步困难
- 缺少 single source of truth
- 系统复杂度指数级上升
Factory 后期逐渐避免：
Fully Mesh Agent Networks因为：
Agent 越多， 系统越不可控。
三、Factory 的核心：Mission Architecture
这是整个 Talk 的核心。
Mission 的定义
Mission ≠ Prompt
Mission 是：
长期存在的自治任务特点：
- 可持续运行
- 可恢复
- 可 checkpoint
- 可 handoff
- 可追踪
- 可验证
Mission 架构
Mission
├── Planner
├── Worker
├── Researcher
├── Verifier
├── Recovery Agent
└── Human Supervisor四、Mission 生命周期
1. Task Planning
Planner：
- 理解目标
- 分解任务
- 生成 execution graph
例如：
Build Feature X
├── Design API
├── Update Backend
├── Update Frontend
├── Add Tests
└── Deploy2. Worker Execution
Worker：
- 修改代码
- 调用工具
- 执行 shell
- 写测试
- 更新文档
特点：
长时间 autonomous execution3. Verification
Verifier：
- Run tests
- Review diffs
- Validate correctness
- Challenge assumptions
关键理念：
Verification > GenerationFactory 认为：
生成代码已经不难。
真正困难的是：
如何稳定地产生正确代码4. Checkpointing
Mission 会自动保存：
- 当前上下文
- 已完成任务
- 系统状态
- Agent memory
- tool outputs
目的：
支持长期运行与恢复5. Recovery
如果：
- context overflow
- model crash
- tool failure
- token limit
- API timeout
系统能够：
自动恢复任务而不是从头开始。
五、为什么他们不再推崇”大规模并行 Agent”
这是 Talk 非常重要的一部分。
很多 Multi-Agent Demo：
100 agents simultaneously coding看起来很酷。
但 Factory 实际发现：
Correctness exponentially degrades问题：
- merge conflicts
- duplicated work
- inconsistent assumptions
- conflicting edits
- coordination overhead
他们后来的结论
更稳定的模式：
Single Worker
+
Independent Verifier即：
- 少量 Worker
- 强 Verification
- 强状态管理
- 强恢复能力
而不是：
大量并发 Agent六、Mission Control（任务控制系统）
Factory 构建了：
Mission Control类似：
Cursor
+ Jira
+ CI/CD Dashboard
+ Agent Runtime功能
1. 查看 Agent 状态
例如：
Running
Blocked
Waiting
Verifying
Recovering2. 查看任务树
Mission
├── Task A
├── Task B
└── Task C3. 查看 Handoff
Agent 会生成：
handoff summary供下一个 Agent 继续工作。
4. Human Intervention
人类可以：
- approve
- reject
- redirect
- pause
- resume
但：
人类不是 micromanager而是：
Supervisor七、长期运行 Agent（Days-long Agents）
这是 Factory 与很多 AI Agent 框架最大的区别。
普通 Agent
Minutes-long只能：
- 回答问题
- 写一点代码
- 完成短任务
Factory Agent
Days-long execution支持：
- 长时间运行
- 自动恢复
- 持续 planning
- 持续 verification
- durable state
- autonomous iteration
八、与其它框架的区别
AutoGPT
问题：
- loop 不稳定
- context 漂移
- 缺少验证机制
CrewAI
优点：
- agent role abstraction
问题：
- 偏 workflow
- 缺 durable runtime
LangGraph
优点：
- state machine
- graph orchestration
缺点：
- 仍需大量工程化
OpenAI Swarm
优点：
- handoff 简洁
问题：
- 偏 lightweight orchestration
Factory 更关注：
Persistent Production Runtime而不是：
Prompt Chaining九、Talk 的核心观点总结
1. AI 已经足够聪明
问题不再是：
模型能力而是：
系统架构2. Verification 比 Generation 更重要
未来竞争力：
不是：
谁生成代码更快而是：
谁验证得更可靠3. 长期运行能力是关键
真正的 Agent：
不是一次 prompt而是：
持续存在的软件系统4. 并行 Agent 并不一定更强
更多 Agent：
≠ 更高正确率
反而可能：
- 更混乱
- 更难维护
- 更容易失败
5. Durable Execution 是未来
未来 Agent 核心能力：
- checkpoint
- recovery
- persistent memory
- handoff
- verification
- supervision
十、一个简化版 Factory 架构图
┌─────────────────┐
│ Human Supervisor │
└────────┬────────┘
│
┌────────▼────────┐
│ Mission Control │
└────────┬────────┘
│
┌──────────────────┼──────────────────┐
│ │ │
┌────────▼──────┐ ┌────────▼──────┐ ┌────────▼──────┐
│ Planner Agent │ │ Worker Agent │ │Verifier Agent │
└────────┬──────┘ └────────┬──────┘ └────────┬──────┘
│ │ │
└──────────────────┼──────────────────┘
│
┌──────────▼──────────┐
│ Durable Mission State│
└──────────┬──────────┘
│
┌──────────▼──────────┐
│ Recovery / Resume │
└──────────────────────┘十一、对 AI Agent 开发者的启发
如果你在做：
- Coding Agent
- AI IDE
- AI Automation
- Autonomous Workflow
- Multi-Agent Systems
这个 Talk 非常值得研究。
尤其要关注：
不要只关注：
prompt engineering而应该关注：
runtime engineering真正难的是：
- state
- recovery
- verification
- orchestration
- durability
而不是：
让模型再聪明一点十二、一句话总结
Multi-Agent 的真正价值， 不是”更多 Agent”， 而是”让 AI 能长期稳定完成复杂任务”。