當你的 RAG 系統需要同時回答法律條文、財務報表、和技術文件的問題時，一個 Agent 做所有事情就開始出問題了。
不是模型不夠強，是架構不對。
為什麼需要 Multi-Agent RAG
單一 Agentic RAG 的設計是：一個 Agent 配一組工具，根據查詢決定要不要搜尋、搜幾次、怎麼搜。這個模式在單一領域效果很好，但一旦知識範圍變廣，三個問題會浮現。
1. 知識邊界模糊
一個 Agent 管理的知識庫越大，retrieval 的精準度越低。把法律文件、財報、技術文件全部塞進同一個向量資料庫，embedding space 裡的語義距離會被稀釋。「合規」這個詞在法律和財務的語境差異很大，但在同一個 embedding space 裡它們的向量距離很近。
2. Context Window 壓力
一個 Agent 要同時理解多個領域的 system prompt、工具定義、檢索結果、和推理狀態。當查詢涉及三個領域，context window 很快就被塞滿：
單一 Agent context window 分配：
┌────────────────────────────────────────────┐
│ System Prompt (所有領域的規則) ~2,000 tokens │
│ Tool Definitions (所有工具) ~3,000 tokens │
│ 法律檢索結果 ~4,000 tokens │
│ 財務檢索結果 ~4,000 tokens │
│ 技術檢索結果 ~4,000 tokens │
│ 推理歷史 ~3,000 tokens │
│ ─────────────────────────────────────────── │
│ 總計 ~20,000 tokens │
│ 留給生成的空間 → 被壓縮 │
└────────────────────────────────────────────┘3. 單一檢索策略不夠用
法律文件需要精確的條文匹配（BM25 為主），財務報表需要結構化查詢（SQL + 向量），技術文件需要語意搜尋（dense retrieval 為主）。硬把三種策略塞進一個 Agent 的決策邏輯，會讓每個領域都做得不夠好。
Multi-Agent RAG 的解法很直接：讓每個領域有自己的專家 Agent，由一個 Orchestrator 來協調。
架構設計
整體架構長這樣：
┌─────────────┐
│ User Query │
└──────┬──────┘
│
▼
┌──────────────────┐
│ Orchestrator │
│ │
│ - Query 分析 │
│ - Agent 選擇 │
│ - 結果融合 │
└──┬─────┬──────┬──┘
│ │ │
┌──────────┘ │ └──────────┐
▼ ▼ ▼
┌────────────────┐ ┌──────────────┐ ┌────────────────┐
│ Legal Agent │ │ Finance Agent│ │ Tech Agent │
│ │ │ │ │ │
│ - 法規知識庫 │ │ - 財報知識庫 │ │ - 技術文件庫 │
│ - BM25 為主 │ │ - SQL + 向量 │ │ - Dense + Code │
│ - 條文比對策略 │ │ - 數值推理 │ │ - 語意搜尋 │
└───────┬────────┘ └──────┬───────┘ └───────┬────────┘
│ │ │
└──────────┐ │ ┌───────────┘
▼ ▼ ▼
┌──────────────────────┐
│ Result Fusion │
│ │
│ - 衝突偵測 │
│ - 加權合併 │
│ - LLM 合成 │
└──────────┬───────────┘
│
▼
┌─────────────┐
│ Answer │
└─────────────┘每個 Agent 是獨立的 RAG pipeline，有自己的知識庫、embedding model、檢索策略、和 system prompt。Orchestrator 不做檢索，只做三件事：分析查詢、選擇 Agent、融合結果。
這個分離帶來一個重要好處：每個 Agent 的 context window 只需要裝自己領域的資訊。
Orchestrator 設計
Orchestrator 是整個系統的中樞，但它本身應該盡量輕薄。它的職責是路由和協調，不是推理和生成。
Query 分析
Orchestrator 收到查詢後，第一步是分析這個查詢涉及哪些領域：
interface QueryAnalysis {
originalQuery: string;
detectedDomains: DomainTag[]; // ['legal', 'finance']
subQueries: Map<DomainTag, string>; // 分解後的子查詢
priority: 'latency' | 'accuracy'; // 速度優先還是精準優先
requiresCrossReference: boolean; // 是否需要跨領域交叉比對
}
type DomainTag = 'legal' | 'finance' | 'tech' | 'hr' | 'general';
async function analyzeQuery(query: string): Promise<QueryAnalysis> {
const response = await llm.chat({
model: 'claude-sonnet-4-20250514',
system: `你是一個查詢路由器。分析使用者查詢，判斷：
1. 涉及哪些領域（可以多個）
2. 如果涉及多個領域，把查詢拆成各領域的子查詢
3. 是否需要跨領域交叉比對
回傳 JSON 格式。`,
messages: [{ role: 'user', content: query }],
});
return parseAnalysis(response);
}這裡有一個設計決策：用 LLM 做路由，還是用分類器做路由？
LLM 路由的好處是彈性高，可以處理模糊查詢和多領域交叉的情況。壞處是多一次 LLM call，增加延遲和成本。如果領域分類相對固定，用一個輕量 classifier（甚至 regex + keyword matching）做第一層過濾，不確定的再丟給 LLM，是比較務實的做法。
function fastRoute(query: string): DomainTag[] | null {
const keywordMap: Record<string, DomainTag> = {
'第幾條': 'legal',
'法規': 'legal',
'合規': 'legal',
'營收': 'finance',
'毛利率': 'finance',
'EPS': 'finance',
'API': 'tech',
'deploy': 'tech',
'部署': 'tech',
};
const matched = Object.entries(keywordMap)
.filter(([kw]) => query.includes(kw))
.map(([, domain]) => domain);
const unique = [...new Set(matched)];
// 有明確匹配就直接路由，沒有才用 LLM
return unique.length > 0 ? unique : null;
}Agent 選擇與分派
分析完查詢後，Orchestrator 從 Agent Registry 中選擇對應的 Agent：
interface AgentRegistry {
agents: Map<DomainTag, AgentConfig>;
getAgent(domain: DomainTag): AgentConfig | undefined;
listAvailable(): DomainTag[];
}
interface AgentConfig {
domain: DomainTag;
endpoint: string; // Agent 的 API endpoint
capabilities: string[]; // 這個 Agent 擅長什麼
maxConcurrency: number; // 最大並行數
timeoutMs: number; // 超時設定
fallbackDomain?: DomainTag; // 失敗時退回到哪個 Agent
}結果聚合
Orchestrator 的最後一步是把多個 Agent 的結果合併成一個答案。這是最複雜的部分，後面會專門談。
專業化 Agent 設計
每個 Agent 是一個完整的 RAG pipeline，但針對自己的領域做了深度優化。以下用 Legal Agent 為例展示完整設計：
const legalAgent: AgentConfig = {
domain: 'legal',
systemPrompt: `你是法律檢索專家。回答時必須：
1. 引用具體的法規名稱、條號
2. 區分「現行法規」和「修正草案」
3. 如果多條法規有衝突，明確指出衝突點
4. 不確定時說「需要進一步確認」，不要編造條文`,
retrievalStrategy: {
primary: 'bm25', // 條文的精確匹配用 BM25 最好
secondary: 'dense', // 語意相近的補充搜尋
fusion: 'rrf', // Reciprocal Rank Fusion
topK: 15,
reranker: 'cross-encoder',
},
knowledgeBase: {
vectorStore: 'legal-vectors',
bm25Index: 'legal-bm25',
metadata: {
fields: ['law_name', 'article_number', 'effective_date', 'status'],
filters: { status: 'active' }, // 預設只搜現行法規
},
},
postProcessing: {
addCitations: true, // 自動加上引用格式
crossReference: true, // 交叉引用相關條文
confidenceThreshold: 0.7, // 信心度低於 0.7 就標註不確定
},
};Finance Agent 和 Tech Agent 的結構相同，但各維度的設計選擇不同：
| 維度 | Legal Agent | Finance Agent | Tech Agent |
|---|---|---|---|
| 主要檢索 | BM25 精確比對 | Text-to-SQL | Dense Retrieval |
| 補充檢索 | Dense | Dense | Code Search |
| 精排 | Cross-encoder | Cross-encoder | Cross-encoder |
| 關鍵需求 | 條文精確性 | 數字精確性 | 版本相容性 |
| 後處理 | 引用格式化 | 計算驗證 | 程式碼語法檢查 |
通訊模式
多個 Agent 之間的通訊模式直接影響系統的延遲和可靠性。三種基本模式：
平行扇出（Parallel Fan-out）
Orchestrator 同時對所有相關 Agent 發出請求，用 Promise.allSettled 等全部回來後合併。延遲等於最慢的 Agent，而不是所有 Agent 延遲的加總。每個 Agent 都設 timeout 和 fallback，單一 Agent 失敗不影響其他。
// 核心邏輯：對每個 domain 平行呼叫，失敗的走 fallback
const tasks = domains.map(async (domain) => {
try {
return await withTimeout(callAgent(registry.getAgent(domain)!, subQuery), timeoutMs);
} catch {
return agent.fallbackDomain
? callAgent(registry.getAgent(agent.fallbackDomain)!, subQuery)
: { domain, status: 'failed' };
}
});
const results = await Promise.allSettled(tasks);循序委派（Sequential Delegation）
一個 Agent 的輸出是另一個 Agent 的輸入。例如「這個合約條款是否符合個資法？如果不符合，修正的財務成本是多少？」先問 Legal Agent，再把結果傳給 Finance Agent。延遲是所有 Agent 的加總，一個失敗會阻塞整個鏈。
混合模式
實務上最常用。能平行的就平行，有依賴的才循序：先用 Promise.allSettled 跑獨立的 Agent，等結果回來後，再把結果傳給有依賴關係的 Agent 循序執行。
何時用哪種
查詢類型 → 通訊模式
─────────────────────────────────────────────────────
「比較法律和財務觀點」 → 平行扇出
「法律合規 → 財務影響」 → 循序委派
「法律 + 技術並行，然後財務評估」 → 混合模式
「只問一個領域」 → 單一 Agent，不需要 multi-agent結果融合策略
多個 Agent 回來的結果要怎麼合併成一個答案？這是 Multi-Agent RAG 最關鍵的設計問題。
策略一：投票法（Voting）
如果多個 Agent 對同一個事實給出不同答案，用多數決。
function majorityVoting(results: AgentResult[]): string {
const answers = results
.filter((r) => r.status === 'success')
.map((r) => r.answer);
// 用 LLM 判斷哪些答案在語義上等價
const groups = groupBySemantic(answers);
// 回傳最大群組的答案
return groups.sort((a, b) => b.length - a.length)[0][0];
}適用：事實性問題（有唯一正確答案）。 不適用：多觀點的分析性問題。
策略二：加權評分（Weighted Scoring）
每個 Agent 的結果帶有信心分數，按權重合併。
interface AgentResult {
domain: DomainTag;
answer: string;
confidence: number; // 0-1，Agent 自評的信心度
sources: SourceReference[];
status: 'success' | 'partial' | 'failed';
}
function weightedFusion(
results: AgentResult[],
domainWeights: Map<DomainTag, number>
): FusedResult {
const scoredResults = results
.filter((r) => r.status !== 'failed')
.map((r) => ({
...r,
finalScore:
r.confidence * (domainWeights.get(r.domain) ?? 1.0),
}))
.sort((a, b) => b.finalScore - a.finalScore);
return {
primaryAnswer: scoredResults[0],
supplementary: scoredResults.slice(1),
allSources: scoredResults.flatMap((r) => r.sources),
};
}權重怎麼設？可以根據查詢類型動態調整。問法律問題時，Legal Agent 的權重高；問財務問題時，Finance Agent 的權重高。Orchestrator 在 Query 分析階段就可以決定權重。
策略三：LLM 合成（LLM-based Synthesis）
把所有 Agent 的結果丟給一個 LLM，讓它綜合出一個連貫的答案。
async function llmSynthesis(
originalQuery: string,
results: AgentResult[]
): Promise<string> {
const agentOutputs = results
.filter((r) => r.status !== 'failed')
.map((r) => `## ${r.domain} Agent 的回答\n信心度：${r.confidence}\n\n${r.answer}`)
.join('\n\n---\n\n');
const response = await llm.chat({
model: 'claude-sonnet-4-20250514',
system: `你是一個結果融合專家。多個專業 Agent 已經針對使用者的問題提供了各自的回答。
你的任務是：
1. 綜合所有 Agent 的回答，產生一個連貫的最終答案
2. 如果 Agent 之間有矛盾，明確指出矛盾點和各方的立場
3. 保留每個 Agent 的引用來源
4. 不要添加 Agent 沒有提到的資訊`,
messages: [
{
role: 'user',
content: `原始查詢：${originalQuery}\n\n各 Agent 的回答：\n${agentOutputs}`,
},
],
});
return response.content;
}這是最常用的策略，因為它能處理最複雜的情況：部分重疊、互補資訊、和衝突觀點。代價是多一次 LLM call。
策略四：衝突偵測
在合成之前，先檢查各 Agent 的結果是否有矛盾：
interface ConflictReport {
hasConflict: boolean;
conflicts: Array<{
topic: string;
agentA: { domain: DomainTag; claim: string };
agentB: { domain: DomainTag; claim: string };
severity: 'low' | 'medium' | 'high';
}>;
}
async function detectConflicts(
results: AgentResult[]
): Promise<ConflictReport> {
// 兩兩比對
const pairs: [AgentResult, AgentResult][] = [];
for (let i = 0; i < results.length; i++) {
for (let j = i + 1; j < results.length; j++) {
pairs.push([results[i], results[j]]);
}
}
const conflicts = await Promise.all(
pairs.map(([a, b]) => checkPairConflict(a, b))
);
return {
hasConflict: conflicts.some((c) => c !== null),
conflicts: conflicts.filter((c): c is NonNullable<typeof c> => c !== null),
};
}偵測到衝突後，Orchestrator 可以：
- 把衝突明確呈現給使用者
- 根據領域權重決定採信哪一方
- 請相關 Agent 提供更多證據
實作範例
把以上元件組合成一個完整的 Orchestrator。前面已經展示過各個元件的實作，這裡看整合後的主流程：
class MultiAgentOrchestrator {
private registry: AgentRegistry;
private analyzer: QueryAnalyzer;
private fusionEngine: FusionEngine;
async process(query: string): Promise<OrchestratorResponse> {
const startTime = Date.now();
// Step 1: 分析查詢 → 決定涉及哪些領域
const analysis = await this.analyzer.analyze(query);
// Step 2: 單一領域 → 直接轉發，省掉協調開銷
if (analysis.detectedDomains.length === 1) {
return this.dispatchSingle(analysis, startTime);
}
// Step 3: 多領域 → 根據依賴關係選擇通訊模式
const results = analysis.dependencyGraph.size > 0
? await this.hybridDispatch(analysis) // 有依賴：混合模式
: await this.parallelFanOut(analysis); // 無依賴：平行扇出
// Step 4: 衝突偵測 + 結果融合
const conflicts = await this.fusionEngine.detectConflicts(results);
const answer = await this.fusionEngine.synthesize(
query, results, conflicts, analysis.domainWeights
);
return {
answer,
sources: results.flatMap((r) => r.sources),
agentResults: results,
conflicts,
totalLatencyMs: Date.now() - startTime,
};
}
}使用方式：
const orchestrator = new MultiAgentOrchestrator({
analyzerModel: 'claude-sonnet-4-20250514',
fusionModel: 'claude-sonnet-4-20250514',
agents: [
{ domain: 'legal', endpoint: 'https://agents.internal/legal', timeoutMs: 10_000 },
{ domain: 'finance', endpoint: 'https://agents.internal/finance', timeoutMs: 8_000 },
{ domain: 'tech', endpoint: 'https://agents.internal/tech', timeoutMs: 6_000 },
],
});
// 單一領域查詢 → 直接轉發給 Legal Agent
const r1 = await orchestrator.process('個資法第 6 條的敏感性個資有哪些？');
// 多領域查詢 → 平行扇出 + LLM 合成
const r2 = await orchestrator.process(
'我們的 AI 產品收集使用者行為數據，從法律合規和技術架構兩個角度分析風險'
);
// 有依賴的查詢 → Legal 先跑，結果傳給 Finance
const r3 = await orchestrator.process(
'檢查我們的資料處理是否符合 GDPR，如果不符合，評估修正的財務成本'
);五行 process() 方法包含了整個系統的核心邏輯：分析、路由、分派、偵測、融合。每個步驟的實作細節已經在前面各節展示過。
與其他模式比較
vs 單一 Agentic RAG
維度 單一 Agentic RAG Multi-Agent RAG
─────────────────────────────────────────────────────────────
知識範圍 一個 Agent 管所有知識 每個 Agent 管一個領域
檢索策略 一套策略 每個領域客製策略
Context Window 所有資訊擠在一起 各 Agent 獨立 context
延遲 一個 Agent 的延遲 最慢 Agent + 融合延遲
複雜度 低 高（需要 Orchestrator）
一致性 天然一致 需要衝突偵測
適用規模 中小型知識庫 大型多領域知識庫什麼時候該用 Multi-Agent RAG？ 當你的知識庫跨越三個以上明顯不同的領域，且每個領域有不同的最佳檢索策略時。如果你的知識庫主要是同一個領域的文件，單一 Agentic RAG 加上好的 chunking 和 routing 就夠了。
vs Modular RAG
Modular RAG 把 RAG pipeline 拆成可組合的模組（chunking、embedding、retrieval、reranking、generation），但所有模組共享同一個 pipeline context。
Multi-Agent RAG 更進一步：每個 Agent 是一個完整的 pipeline，有自己的 context。差異在於 隔離程度：
Modular RAG:
一個 Pipeline → [Module A] → [Module B] → [Module C] → Output
（模組共享同一個 PipelineContext）
Multi-Agent RAG:
Orchestrator → ┌ Pipeline 1 (獨立 context) → Result 1 ┐
├ Pipeline 2 (獨立 context) → Result 2 ├→ Fusion → Output
└ Pipeline 3 (獨立 context) → Result 3 ┘兩者不互斥。每個 Agent 內部可以用 Modular RAG 的設計，Multi-Agent 是更上一層的架構。
vs Google 的 Multi-Agent 模式
Google 在 2025 年發佈的 Agent 白皮書中提出了幾種 multi-agent 模式：
-
Hierarchical：一個 supervisor agent 管理多個 worker agents。跟本文的 Orchestrator 模式類似，但 Google 強調 supervisor 本身也可以是一個 agent（有自己的推理能力），而不只是一個路由器。
-
Peer-to-peer：Agent 之間直接通訊，沒有中央 Orchestrator。適合 Agent 之間需要頻繁溝通的場景，但在 RAG 中比較少用，因為檢索任務通常是獨立的。
-
Mixture of Experts (MoE)：從 ML 的 MoE 概念借鑑，用 gating function 決定哪些 Agent 被啟動。跟本文的 fast routing 概念類似。
本文的架構比較接近 Hierarchical + MoE 的混合：Orchestrator 扮演 supervisor 的角色，用 routing logic（gating）決定啟動哪些 Agent。
挑戰與限制
Multi-Agent RAG 不是銀彈。以下是實務上會遇到的痛點。
1. 協調開銷
Orchestrator 的每次 LLM call（query 分析、結果融合）都是額外的延遲和成本。一個查詢經過 Multi-Agent RAG 的完整流程：
Query 分析 LLM call ~500ms
Agent 平行執行 ~2,000ms（最慢的那個）
衝突偵測 LLM call ~400ms
結果融合 LLM call ~800ms
─────────────────────────────────
總延遲 ~3,700ms相比之下，單一 Agentic RAG 可能只需要 ~2,000ms。多出來的 1,700ms 全是協調開銷。
緩解方式：
- Query 分析用輕量模型或 classifier，不一定要 LLM
- 如果沒有衝突，跳過衝突偵測步驟
- 結果融合可以用 template 拼接，不一定要 LLM 合成
2. 多 Agent 延遲
平行扇出的延遲等於最慢的 Agent。如果一個 Agent 特別慢（例如 Finance Agent 需要跑複雜的 SQL 查詢），整體延遲就被它拖住。
緩解方式：
- 設定嚴格的 timeout，超時就用 partial result 或 fallback
- 用 streaming：先回傳已經完成的 Agent 結果，慢的 Agent 結果後面補上
- 非同步模式：先給使用者快速回答，背景繼續跑，有更多結果時更新
async function streamingFanOut(
analysis: QueryAnalysis,
registry: AgentRegistry,
onPartialResult: (result: AgentResult) => void
): Promise<AgentResult[]> {
const allResults: AgentResult[] = [];
const tasks = analysis.detectedDomains.map(async (domain) => {
const agent = registry.getAgent(domain);
if (!agent) return;
const result = await callAgent(agent, analysis.subQueries.get(domain)!);
allResults.push(result);
// 每個 Agent 完成就立即回傳
onPartialResult(result);
});
await Promise.allSettled(tasks);
return allResults;
}3. 一致性問題
多個 Agent 是獨立運作的，它們不共享狀態。這會導致：
- 事實矛盾：Legal Agent 說合規，Finance Agent 假設不合規來估成本。
- 時間不一致：Legal Agent 引用最新法規，Finance Agent 用的是上一季的數據。
- 術語差異：不同 Agent 用不同的名詞指涉同一件事。
緩解方式：
- 衝突偵測是必要的，不是可選的
- 共享一個 metadata store，確保各 Agent 用的資料版本一致
- Orchestrator 在分派時附上共同的上下文（例如「資料基準日期：2026-03-30」）
4. 除錯複雜度
當答案有問題時，你需要追蹤：
- Orchestrator 的 query 分析對不對？
- 分派到哪些 Agent？子查詢對不對？
- 每個 Agent 的檢索結果品質如何？
- 融合的結果有沒有遺漏或扭曲？
這是四層的除錯，比單一 Agent 的一層除錯複雜得多。
緩解方式：Observability 是 Multi-Agent 系統的必要投資。
interface AgentTrace {
traceId: string;
timestamp: number;
orchestrator: {
queryAnalysis: QueryAnalysis;
routingDecision: DomainTag[];
communicationMode: 'parallel' | 'sequential' | 'hybrid';
};
agents: Array<{
domain: DomainTag;
subQuery: string;
retrievedDocs: number;
topDocScores: number[];
confidence: number;
latencyMs: number;
status: string;
}>;
fusion: {
conflictsDetected: number;
strategy: 'voting' | 'weighted' | 'llm-synthesis';
latencyMs: number;
};
totalLatencyMs: number;
}每個查詢都要產生完整的 trace，存到可以事後查詢的地方（例如 OpenTelemetry + Jaeger）。當答案品質下降時，trace 是你唯一的除錯工具。
5. Agent 邊界劃分
決定要分幾個 Agent、每個 Agent 負責什麼，是最難的設計決策。分太細會增加協調成本，分太粗會失去專業化的好處。
一個經驗法則：如果兩個領域的最佳檢索策略不同，就值得分開。 如果它們用同樣的 embedding model、同樣的 retrieval 方式、只是知識庫不同，那用 metadata filter 區分就好，不需要另一個 Agent。
結語
Multi-Agent RAG 的核心洞察很簡單：專業分工比萬能通才更有效。
但這個架構的價值不是在「多個 Agent」本身，而是在三個設計決策：
- 隔離：每個 Agent 有獨立的 context window 和檢索策略，不會互相干擾。
- 路由：Orchestrator 把查詢送到對的 Agent，避免所有 Agent 都處理每個查詢。
- 融合：多個 Agent 的結果需要有策略地合併，而不是簡單拼接。
如果你的 RAG 系統正在經歷「加更多文件反而讓回答品質下降」的問題，Multi-Agent 架構值得考慮。但在跳進來之前，先確認你已經把單一 Agent 的 retrieval quality 調到夠好了——很多時候，問題不是架構不夠複雜，而是基礎的 chunking 和 retrieval 還沒做好。
參考資料
- Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG — Singh et al. (2025)，涵蓋 Multi-Agent RAG 架構分類學、設計權衡與實際應用案例
- AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors — Chen et al. (2023)，多 Agent 協作框架與社會行為的實驗研究
- HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face — Shen et al. (2023)，LLM 作為 controller 協調多個專業模型的早期架構範例
- Retrieval-Augmented Generation for Large Language Models: A Survey — Gao et al. (2024)，Modular RAG 的元件化設計與 Multi-Agent 演化的理論基礎
- ReAct: Synergizing Reasoning and Acting in Language Models — Yao et al. (2023)，Orchestrator 推理與行動交織模式的核心參考論文
- Multi-Head RAG: Solving Multi-Aspect Problems with LLMs — Besta et al. (2024)，多面向查詢的檢索架構，與 Multi-Agent 領域劃分互補
- LangChain — Context Engineering for Agents — LangChain 技術部落格，多 Agent 間的 context 隔離與結果融合策略