Agent Squad：给 AI 协作装上「总指挥」的框架

想象一下，你走进一家餐厅，点了一道牛排。厨房里不是一个人在忙——切配的切配、煎烤的煎烤、摆盘的摆盘——但你只需要对一个服务员说话，他会把需求精准地分配给最合适的人，最后把一盘完整的菜送到你面前。Agent Squad 就是那个「服务员」，只不过它服务的是大语言模型（LLM）。 作为 AWS Labs 孵化的开源项目，Agent Squad 最初托管于 awslabs/agent-squad，现已迁移至独立组织 2FastLabs 继续维护，在 GitHub 积累超过 7600 颗星，成为多代理编排领域最受欢迎的工具之一。 图1：Agent Squad Web 界面演示

痛点：从「一个 AI」到「一群 AI」的进化困境

早期的 AI 应用，大多是一个 LLM 包打天下——问答、写作、代码生成，全靠同一个模型。但当任务复杂度提升，这种模式的弊端开始显现：通用模型在专业任务上表现平庸，单独训练专用模型成本又太高。 多代理架构（Multi-Agent）是业界公认的解法：让多个专业化的小模型（代理）各司其职，再用一个「总代理」负责协调和路由。OpenAI 的 GPTs、Anthropic 的 Claude Function Calling，都在这一方向上探索。但如何将这套机制工程化落地，却是个实打实的技术难题——代理之间如何通信？上下文如何传递？路由逻辑如何动态调整？ Agent Squad 正是在解决这个「工程化最后一公里」的问题。它不追求重新造轮子，而是站在现有 LLM（Claude、GPT、AWS Bedrock 等）的肩膀上，用一套优雅的架构把它们串联起来。

核心机制：Classifier + Agents 的路由架构

Agent Squad 的工作流程可以概括为「分类 → 路由 → 执行」三步走：

1. 用户请求首先进入 Classifier（分类器），由 LLM 判断这个请求最适合哪个专业代理处理。
2. Orchestrator（编排器） 根据分类结果，把请求转发给对应的 Agent（代理）。
3. Agent 调用具体的 LLM（如 Claude、GPT-4、Bedrock）执行任务，返回结果。 这套架构的精妙之处在于：Classifier 本身就是一个 LLM 调用，它不需要额外的训练数据，而是通过 few-shot prompting（少样本提示）来判断意图。项目中内置了多种 Classifier 实现：

• BedrockClassifier：基于 AWS Bedrock 模型
• AnthropicClassifier：基于 Claude
• OpenAIClassifier：基于 GPT 开发者也可以自行实现 Classifier 接口，替换默认的分类策略。 图2：Agent Squad 工作流程

SupervisorAgent：层级化团队协作

如果说普通的路由模式是「一个萝卜一个坑」，那么 SupervisorAgent 就是「经理-员工」式的层级协作。当一个复杂请求进来，SupervisorAgent 可以将任务分解为多个子任务，并行分发给多个专业子代理，最后汇总结果。 这种模式非常适合：客服场景（查单、推荐、退款分别由不同代理处理）、数据分析场景（有的代理负责 SQL 查询、有的负责可视化、有的负责文字解读）。

15+ 预置代理：开箱即用

Agent Squad 内置了丰富的代理类型，开发者无需从零实现：

双语言支持：Python 与 TypeScript 对等实现

Agent Squad 的一大亮点是 Python 和 TypeScript 双语言完全对等的实现。Python 端采用 src/agent_squad/ 模块化结构，TypeScript 端对应 typescript/src/，两者功能完全一致：

python/src/agent_squad/
├── agents/          # 15+ 种代理实现
├── classifiers/    # 分类器
├── orchestrator.py # 核心编排器
├── retriever/      # 检索器
├── storage/        # 存储层（InMemory/Dynamic）
└── types/          # 类型定义

两种语言都可以通过一行命令安装：

# Python
pip install agent-squad

# TypeScript
npm install agent-squad

这让 Agent Squad 的适用范围横跨数据科学（Python 生态）和 Web 开发（Node.js 生态）两大阵营。

部署：轻量级，无需 GPU

Agent Squad 的设计哲学是轻量和灵活，因此：

• 无需 GPU：推理全部委托给外部 LLM API（Claude API / OpenAI API / Bedrock），框架本身只负责编排逻辑。
• 存储可插拔：默认使用内存存储（InMemoryChatStorage），也支持 DynamoDB 和 Langfuse，方便接入生产环境。
• Lambda 友好：LambdaAgent 可以将整个编排逻辑封装为 AWS Lambda 函数，冷启动时间短、成本低。 官方 examples 目录提供了丰富的参考应用：
• chat-chainlit-app：基于 Chainlit 的 Web 聊天界面（需要本地运行 Ollama）
• fast-api-streaming：FastAPI + 流式响应后端
• langfuse-demo：集成 Langfuse 追踪 AI 调用链路
• strands-agents-demo：AWS Strands 代理集成

局限与注意事项

Agent Squad 并非银弹，以下几点需要特别注意：

1. LLM API 依赖：所有推理都依赖外部 API，延迟和成本完全取决于 API 提供方。当需要极低延迟或数据隐私要求极高（无法调用外部 API）时，此框架不适用。
2. 分类准确性问题：路由质量取决于 Classifier 的 few-shot prompt 质量。对于边界模糊的请求，分类错误会导致代理选择不当，影响最终结果。
3. 不包含前端：examples 中有 UI Demo，但框架本身不含 Web 前端，需要自行集成 Streamlit/Chainlit/FastAPI 等。

行业意义：降低多代理系统门槛

Agent Squad 的价值，不仅在于它本身是一个好用的框架，更在于它代表了一种趋势：AI 应用正在从「一个模型服务所有人」走向「多个模型协同」。 随着 Claude 3.5、GPT-4o 等模型能力持续增强，单个模型的上下文窗口和工具调用能力已经非常强大。但在复杂企业场景中，多代理协作仍然是不可替代的架构选择。Agent Squad 通过提供现成的编排骨架，让开发者不需要从零设计代理通信协议、上下文管理、错误处理——这些脏活累活框架都替你干了。 项目从 AWS Labs 迁移到独立组织 2FastLabs 运营，表明社区对其独立发展的认可。如果你正在构建需要多种 AI 能力协同的应用，Agent Squad 是一个值得纳入技术选型列表的框架。