多 Agent 协作

复杂应用常要多个 Agent 协作：PM Agent 处理需求 → Tech Agent 拆任务 → Reviewer Agent 审代码 → Notification Agent 通知。本页讲三种编排模式。

模式 1：人类作为编排器（最简）

用户 ↔ PM Agent ↔ 用户
       ↓
       用户手动转 Tech Agent
       ↓
用户 ↔ Tech Agent ↔ 用户

特点：用户手动在群里切 Agent；Agent 之间不直接通信。

适合：MVP / 简单场景 / 不需要自动化。

实现：每个 Agent 独立 SDK 进程，用户在 app 里加多个 Agent。

模式 2：业务侧编排（中等）

用户 ↔ Orchestrator Agent ↔ 用户
            │
            │ (业务侧编排：调 LLM / 决定下一步)
            │
            ├─ 内部：调 Tech-LLM 解析
            ├─ 内部：调 Review-LLM 审
            └─ 调 Slack / Jira / 等外部 API

特点：只暴露一个 Agent 给用户；业务侧用代码编排（switch / 状态机 / LangGraph）多 LLM 调用 + 工具。

适合：大多数生产场景。

实现：一个 SDK 进程，handler 内部按消息内容路由到不同业务子模块。

agent.addMessageHandler(async (msg) => {
  const intent = await classifyIntent(msg.payload?.text);
  switch (intent) {
    case "request_feature":
      await handleAsPM(msg);          // 内部调 PM-LLM + 创建 issue
      break;
    case "ask_technical":
      await handleAsTech(msg);        // 内部调 Tech-LLM + RAG
      break;
    case "review_code":
      await handleAsReviewer(msg);    // 内部调 Code Review LLM
      break;
  }
});

模式 3：Agent ↔ Agent（高级）

用户 ↔ PM Agent
        │
        ▼ (PM Agent 把任务发给 Tech Agent — 自动)
   PM Agent ↔ Tech Agent
        │
        ▼
   Tech Agent → 给用户私聊结果

特点：Agent 之间通过 Hashee 协议通信。需要：

PM Agent 把 Tech Agent 加为它自己的”联系人”（PM-Agent 用户身份注册，加 Tech-Agent H2A 关系）
或者：两 Agent 同在一个群（H2G）

适合：高复杂度场景（V2+ 路线，V1 工具齐备但少见落地）。

实现复杂度：每个 Agent 都要：

维持自己的密钥 + token
处理 inbound from 另一 Agent (sender_type === "agent")
协议设计：“任务派发”自定义 message subtype 或 artifact

V1 推荐：先用模式 2，避免分布式复杂度。

实战代码（模式 2 — 业务侧编排）

import { HasheeAgent } from "@hasheeai/agent-sdk-ts";
import OpenAI from "openai";

const openai = new OpenAI();
const agent = await HasheeAgent.init({ /* ... */ });

// === 编排状态机 ===

const state = new Map<string, { phase: "idle" | "gathering" | "designing" | "reviewing"; data: any }>();

agent.addMessageHandler(async (msg) => {
  if (msg.payload?.type !== "text") return;

  const s = state.get(msg.conversation_id) ?? { phase: "idle" as const, data: {} };

  switch (s.phase) {
    case "idle":
      if (msg.payload.text.match(/新需求|新功能/)) {
        await transitionToGathering(msg, s);
      } else {
        await agent.send(msg.conversation_id, {
          type: "text",
          text: "说"新需求 XXX"开始新一轮 PM → Tech → Review 流程。",
        });
      }
      break;

    case "gathering":
      // PM 角色：收集需求
      await handleAsPM(msg, s);
      break;

    case "designing":
      // Tech 角色：拆任务 + 出方案
      await handleAsTech(msg, s);
      break;

    case "reviewing":
      // Reviewer 角色：审 + 出反馈
      await handleAsReviewer(msg, s);
      break;
  }

  state.set(msg.conversation_id, s);
});

async function transitionToGathering(msg: any, s: any) {
  s.phase = "gathering";
  s.data = { request: msg.payload.text };
  await agent.send(msg.conversation_id, {
    type: "text",
    text: "🎯 进入 PM 阶段。\n\n我会先问几个问题理清需求。\n\n**用户场景是什么？谁会用？**",
  });
}

async function handleAsPM(msg: any, s: any) {
  s.data.userScenario = msg.payload.text;
  // 用 PM-LLM 回应
  const r = await openai.chat.completions.create({
    model: "gpt-4o-mini",
    messages: [
      { role: "system", content: "你是 PM。基于用户场景，问下一个关键问题（成功指标 / 优先级 / deadline）。简短。" },
      { role: "user", content: msg.payload.text },
    ],
  });
  // 几轮问答后切到 Tech
  if (s.data.userScenario && s.data.successMetric) {
    s.phase = "designing";
    await agent.send(msg.conversation_id, {
      type: "text",
      text: `✓ PM 阶段完成。\n\n📋 总结：\n- 需求：${s.data.request}\n- 场景：${s.data.userScenario}\n- 指标：${s.data.successMetric}\n\n👉 切到 Tech 阶段。**请描述当前系统现状 + 限制条件**。`,
    });
  } else {
    await agent.send(msg.conversation_id, { type: "text", text: r.choices[0]?.message?.content ?? "" });
    s.data.successMetric = msg.payload.text;
  }
}

async function handleAsTech(msg: any, s: any) {
  s.data.systemContext = msg.payload.text;
  const r = await openai.chat.completions.create({
    model: "gpt-4o",
    messages: [
      {
        role: "system",
        content: `你是 Tech Lead。基于 PM 收集的需求 + 系统现状，输出技术方案：架构 / 风险 / 工作量预估。

需求：${s.data.request}
场景：${s.data.userScenario}
指标：${s.data.successMetric}`,
      },
      { role: "user", content: msg.payload.text },
    ],
  });

  s.data.techDesign = r.choices[0]?.message?.content;
  s.phase = "reviewing";

  await agent.send(msg.conversation_id, {
    type: "text",
    text: `🛠 Tech 方案：\n\n${s.data.techDesign}\n\n---\n\n👉 切到 Review 阶段。**有疑问 / 调整 / 批准**？`,
  });
}

async function handleAsReviewer(msg: any, s: any) {
  const r = await openai.chat.completions.create({
    model: "gpt-4o",
    messages: [
      {
        role: "system",
        content: `你是 Reviewer。基于以下方案 + 用户反馈，给出最终决策建议。

方案：${s.data.techDesign}`,
      },
      { role: "user", content: msg.payload.text },
    ],
  });

  await agent.send(msg.conversation_id, {
    type: "text",
    text: `👁 Review 结果：\n\n${r.choices[0]?.message?.content}\n\n---\n\n再说"新需求"开始下一轮。`,
  });
  s.phase = "idle";
  s.data = {};
}

关键设计原则

明确”现在是谁在说话”：每条回复带”🎯 PM 阶段” / ”🛠 Tech 阶段”标签
状态持久化：单进程内存 OK；多 replica 必须 Redis / PG
退出机制：用户随时说”取消” / “重来”应回到 idle
多 LLM 选型：PM 用便宜模型（mini），Tech 用强模型（gpt-4o / claude-sonnet）
避免角色串味：每个 LLM 调用 system prompt 严格界定角色

何时升级到真·多 Agent

不同 Agent 独立可发布（如 PM Agent 是平台产品 + 多个 Tech Agent 是各团队的特化版）
不同 Agent 不同密钥 / 权限 scope
用户希望”分别加好友”管理（隐藏 / 删除 PM Agent 但保留 Tech Agent）

这时拆成模式 3 — V2 路线，V1 工具齐备但少见。