英超新賽季還有一個月多一點就要開打。我的主隊阿森納上賽季結(jié)束了22年的等待，終于捧起了聯(lián)賽冠軍。但回頭細看，歐冠和聯(lián)賽杯本也該收入囊中。槍手的問題很典型：擁有可能是世界上最好的防線——上賽季最大比分失利僅僅是0比2輸給曼城，可進攻線差了一口氣。領(lǐng)先一球就想守到終場，這種習(xí)慣總讓人捏把汗。

作為一個既看球又寫代碼的人，我最近剛好在鉆研多智能體架構(gòu)，琢磨著怎么用微軟Agent Framework（MAF）來編排多個AI代理協(xié)同干活。于是產(chǎn)生了一個挺好玩的想法：能不能搭一個多智能體系統(tǒng)，模擬轉(zhuǎn)會決策，給阿森納的衛(wèi)冕之路提供一些引援洞察？順帶也把多智能體編排的各種模式摸透。這個實驗的代碼和演示視頻我都放到了GitHub和YouTube上。

MAF本身是個幫助開發(fā)者構(gòu)建AI代理的開源框架，可以用.NET、Python和剛剛加入的Go來開發(fā)。每個代理背后都對接了大語言模型，能調(diào)用各類工具來完成任務(wù)。它的決策路徑不是寫死的，而是由LLM根據(jù)對話上下文和可用工具動態(tài)決定的。單個代理在復(fù)雜場景里往往會撞到天花板，受限于指令意圖或底層模型的能力邊界。這時候把多個具備不同技能、不同視角的代理組合起來，理論上可以突破單打獨斗的局限。

不過話說回來，代理越多，麻煩也越多。架構(gòu)里塞進一堆各有專長的代理，不見得就能自動避開單智能體的那些坑。在本項目中，所有代理都圍繞兩份JSON文件運轉(zhuǎn)：arsenal-squad.json包含當下全隊24名球員及可調(diào)用資金；transfer-targets.json則是引援候選清單。

實際運行起來后，系統(tǒng)的表現(xiàn)頗為分裂。正方的亮點在于代理們真的會去“查資料”，調(diào)取API來抓轉(zhuǎn)會市場網(wǎng)站的最新傳聞，然后基于熱身賽數(shù)據(jù)和球隊現(xiàn)有薪資結(jié)構(gòu)給出判斷。邏輯鏈條完整，言之有物。反方的槽點同樣突出：有時候模型持續(xù)輸出相同的碎片化句子，來回兜圈子，好像大腦死循環(huán)了一樣。更夸張的是一次在評估潛力新星時，系統(tǒng)突然蹦出一句“我不是冠軍球隊主力的事實”，憑空給自己加了一段被棄用的沮喪獨白。這不是論證，是模型幻出現(xiàn)了角色扮演。

我的判斷是，這個業(yè)余實驗恰好照出了當前多智能體系統(tǒng)的真實水位線。當任務(wù)邊界清晰、數(shù)據(jù)接口穩(wěn)定時，幾個代理分工協(xié)作能跑出令人驚喜的結(jié)果。可一旦涉及創(chuàng)造性推理或需要長時間保持狀態(tài)一致性，底層的LLM就開始黑盒式地“腦補”，輸出質(zhì)量急劇下降。對于想用這類框架搞生產(chǎn)的開發(fā)者來說，現(xiàn)階段更務(wù)實的做法可能是：先用單代理把數(shù)據(jù)管道和工具調(diào)用鏈路徹底跑通，再逐步思考引入第二個代理究竟要解決什么具體的問題。否則一地雞毛的調(diào)試成本，可能比槍手前鋒臨門一腳的命中率還讓人血壓高。