Google 在 2026 年初透過 Cloud Architecture Center 發布了一份 multi-agent 設計模式指南，InfoQ 的 Sergio De Simone 做了一篇很好的 整理報導。八種模式從簡單到複雜排列，每一種解決不同類型的問題。
這篇把八種模式拆開，加上跟 Anthropic 的 Harness Design：讓 AI Agent 像工程師一樣工作 的對照。
1. Sequential Pipeline
最簡單的模式。Agent 依固定順序處理任務，前一個的輸出是後一個的輸入。
Agent A → Agent B → Agent C → 結果適合：流程固定、步驟明確的任務，例如「翻譯 → 校對 → 排版」。
限制：任何一步卡住，整條鏈停擺。沒有彈性。
2. Coordinator / Dispatcher
Sequential Pipeline 的進化版。一個 coordinator agent 接收請求，判斷應該交給哪個專門 agent 處理。
┌→ Agent A（技術問題）
請求 → Coordinator ─┼→ Agent B（帳務問題）
└→ Agent C（一般查詢）適合：客服路由、任務分類。
跟 Anthropic 的關聯：Anthropic 的 Initializer Agent 有一部分 coordinator 的角色——它判斷目前狀態，決定接下來該做什麼。
3. Parallel Fan-Out / Gather
多個 agent 同時處理不同面向，最後由一個 synthesizer 彙整。
┌→ Style Agent ─┐
請求 → ──┼→ Security Agent ─┼→ Synthesizer → 結果
└→ Performance Agent─┘適合：需要多角度分析的任務，例如 PR review（同時查 style、security、performance）。
關鍵取捨：速度快（平行處理），但 synthesizer 的彙整品質決定最終結果。各 agent 之間不共享中間狀態。
4. Hierarchical Decomposition
高層 agent 把複雜目標拆成子任務，分配給下層 agent，下層還可以再往下拆。
高層 Agent
├→ 子任務 Agent 1
│ ├→ 子子任務 1a
│ └→ 子子任務 1b
└→ 子任務 Agent 2適合：大型複雜任務，例如「建一個完整的 web app」。
跟 Anthropic 的關聯：Anthropic 的 Initializer Agent 把一個高階目標拆成 200+ 個 feature，就是 hierarchical decomposition 的實踐。差別在於 Anthropic 是預先拆解（init 時一次完成），而不是動態拆解。
5. Generator & Critic
一個 agent 負責生成，另一個負責評審。
Generator → 產出 → Critic → 通過？
│ ↓ Yes → 結果
└─ No → 回饋 → Generator（重做）這正是 Anthropic harness design 的核心模式。 Anthropic 用 GAN 來比喻，Google 用 Generator & Critic 來命名——本質相同。
為什麼有效：分離生成和評估，避免模型自評偏寬的問題。Evaluator 可以搭配自動化測試工具（Playwright、Puppeteer）做客觀驗證，不只是靠語言判斷。
6. Iterative Refinement
Generator & Critic 的延伸版。加入一個 Refiner agent，critic 和 refiner 交替工作，逐步提升品質。
Generator → Critic → Refiner → Critic → Refiner → ... → 結果適合：對品質要求極高的任務，例如前端設計、文案撰寫。
取捨：品質更好，但 token 消耗和延遲線性增長。需要設定收斂條件（例如最多 N 輪），否則可能無限迴圈。
7. Human in the Loop
對不可逆或高風險操作，暫停執行等待人類確認。
Agent → 準備執行 → ⏸️ 人類審核 → ✅ 繼續 / ❌ 中止適合：金融交易、程式碼部署、公開發布內容。
跟 三大支柱文章 的關聯：那篇提到的 Action 層風險管理（human-in-the-loop、reversibility check）就是這個模式。
8. Composite Pattern
把以上任何模式組合起來。真實世界的 agent 系統幾乎都是 composite。
Coordinator → 路由
├→ Parallel Fan-Out（多角度分析）
│ └→ Generator & Critic（品質迴圈）
└→ Human in the Loop（高風險確認）Anthropic 的完整 harness 就是一個 composite：Hierarchical Decomposition（拆 feature）+ Sequential Pipeline（一個一個做）+ Generator & Critic（生成-評估迴圈）+ 自動化測試（替代部分 human-in-the-loop）。
怎麼選？
| 你的情況 | 建議模式 |
|---|---|
| 流程固定、步驟明確 | Sequential Pipeline |
| 請求類型多元，需要分流 | Coordinator |
| 需要多角度同時分析 | Parallel Fan-Out |
| 任務大且複雜 | Hierarchical Decomposition |
| 品質是第一優先 | Generator & Critic / Iterative Refinement |
| 涉及不可逆操作 | Human in the Loop |
| 以上都需要 | Composite |
Google 和 Anthropic 有一個共同的建議：從最簡單的模式開始，只在特定失敗模式出現時才升級複雜度。 多 agent 的協調成本是真實的，過度設計的危害不亞於設計不足。
整體來說
這八種模式不是理論清單，而是實際可選的工具箱。讀完之後回頭看 Anthropic 的 Harness Design：讓 AI Agent 像工程師一樣工作，你會發現他們的架構可以精確地用這些模式來描述。理論和實踐在這裡匯合了。
最重要的一點：不是 agent 越多越好，而是模式選對最重要。 一個設計精良的雙 agent 系統（Generator + Critic），可以打敗一個設計糟糕的五 agent 系統。
延伸閱讀
- Anthropic 的 Harness Design：讓 AI Agent 像工程師一樣工作 — 實戰中的 composite pattern
- 從 Prompt 到 Harness：AI 工程的三次演化 — 為什麼會走到 multi-agent
- Phil Schmid：為什麼 Agent Harness 是 2026 年最重要的事 — Harness 作為基礎設施的視角
- AI Agent 的三個核心支柱：Context、Cognition、Action — Agent 架構理論框架
- Google’s Eight Essential Multi-Agent Design Patterns — InfoQ 原文
- Choose a Design Pattern for Your Agentic AI System — Google Cloud
參考資料
- Google’s Eight Essential Multi-Agent Design Patterns — InfoQ — InfoQ 的報導，整理 Google 八種 multi-agent 模式
- Building Effective Agents — Anthropic 的 agent 設計哲學，提供對照視角
- Harness Design for Long-Running Application Development — Anthropic 實戰中的 Composite Pattern 範例
- A Survey on Large Language Model based Autonomous Agents — arXiv 論文，LLM agent 系統學術綜述，含多 agent 架構討論
- LangGraph GitHub Repository — 實作 orchestrator-workers 和 sequential pipeline 模式的主流框架
- CrewAI GitHub Repository — 以角色協作實現 multi-agent 設計模式的框架
- Model Context Protocol Introduction — MCP 協議，agent 間工具標準化的基礎設施