最近在尝试把一个单智能体的数据处理流程扩展成多智能体协作时遇到了一个典型问题每个智能体都能独立完成任务但把它们串起来后要么卡在某个环节等不到响应要么因为一个节点失败导致整个流程崩溃。这时候我才意识到多智能体应用真正的挑战不在单个智能体的能力而在如何让它们可靠地协作。正好看到 ADK Go 2.0 发布这次更新重点放在了工作流引擎和可靠性保障上。官方文档里提到新版本引入了基于图的工作流引擎、人工参与循环和动态编排能力。这些功能听起来像是专门为解决我遇到的这类问题设计的。但文档里也明确说传统的模板工作流顺序、并行、循环已经被更灵活的图工作流取代。这让我好奇图工作流到底解决了什么模板工作流解决不了的问题人工参与循环在实际项目中该怎么嵌入动态编排又能在什么场景下发挥作用1. 从模板工作流到图工作流为什么确定性执行不够用在 ADK 2.0 之前模板工作流提供了三种固定的执行模式顺序执行、并行执行和循环执行。这些模式在简单场景下确实够用比如先让智能体 A 分析数据再让智能体 B 生成报告或者同时调用多个智能体处理不同任务。但实际项目中工作流很少这么理想化。更多时候你需要根据前一个智能体的输出决定下一步调用哪个智能体或者在某些条件满足时提前结束流程。模板工作流的确定性执行模式在这里就显得力不从心。1.1 模板工作流的局限性太硬编码难适应变化模板工作流最大的问题是“硬编码”。一旦定义了顺序、并行或循环结构执行路径就固定了。如果流程中间需要根据实际情况调整要么重写整个工作流要么在外面包一层复杂的判断逻辑。比如在一个客服场景中原本设计的是“问题分类 → 知识库检索 → 生成回答”的顺序流程。但如果用户问题涉及敏感信息就需要在生成回答前插入人工审核环节。在模板工作流里这种动态插入几乎不可能实现。1.2 图工作流的优势可视化编排与条件路由图工作流把整个流程抽象成节点和边每个节点代表一个智能体或操作边代表执行路径。这种结构天然支持条件路由和动态调整。在实际使用中我发现图工作流有几个关键价值可视化编排可以直接在 ADK 的可视化构建器里拖拽节点、连接边直观看到整个流程的全貌。这对复杂业务流程的理解和沟通特别有帮助。条件分支可以根据智能体的输出决定下一步走哪个分支。比如情感分析智能体输出负面情绪时走人工审核分支正面情绪时直接生成回复。并行与聚合可以同时启动多个分支处理不同任务然后在某个节点等待所有分支完成后再聚合结果。这在数据处理和批量任务中很实用。1.3 从模板迁移到图的实操建议如果你已经在用 ADK 的模板工作流迁移到图工作流并不复杂。我的经验是先映射现有流程把当前的顺序、并行或循环结构画成节点图理解每个环节的输入输出依赖。识别条件分支点找出流程中需要根据结果动态调整的地方这些是图工作流能发挥价值的关键点。从小流程开始试不要一上来就重构核心业务流程先找一个辅助性的小流程验证图工作流的稳定性和性能。重要的是图工作流不是要完全取代模板工作流。对于简单的线性流程顺序模板可能更直接。但当流程开始变得复杂、需要条件判断时图工作流的优势就显现出来了。2. 人工参与循环在自动化流程中保留人的判断权多智能体应用最容易出问题的地方往往是需要人类专业判断的环节。完全自动化听起来很美好但在实际业务中很多决策需要人的经验和上下文理解。ADK 2.0 的人工参与循环Human-in-the-Loop功能就是为了解决这个问题。它允许在工作流的特定节点暂停自动化流程等待人工输入或审核后再继续。2.1 什么时候需要人工介入不是所有环节都需要人工参与。根据我的经验以下三类场景最适合引入人工循环高风险决策比如涉及资金交易、法律合规、敏感内容发布的环节。在这些地方设置人工审核点可以避免自动化系统做出不可逆的错误决策。模糊边界判断当前智能体无法明确分类或判断的情况。比如客服系统中用户问题同时涉及多个业务领域需要人工分配处理部门。质量检查点在关键输出节点设置人工质量检查确保最终结果符合预期。这在内容生成、数据分析等场景中特别重要。2.2 人工参与的具体实现方式ADK 提供了几种不同的人工参与模式审核批准模式智能体生成结果后发送给指定的人工审核者。审核者可以批准、拒绝或修改结果。只有批准后流程才继续。// 示例在关键决策点设置人工审核 workflow.AddHumanApprovalStep(final_review, HumanApprovalConfig{ Approvers: []string{project_leadcompany.com}, Timeout: 24h, // 最长等待24小时 Reminders: []string{1h, 12h}, // 1小时和12小时后提醒 })人工输入模式流程运行到某个节点时主动向人工请求必要信息。比如在数据分析流程中如果发现数据异常可以暂停并询问处理建议。并行通知模式流程继续运行但同时通知相关人员关注特定节点。这种模式适合需要人工知晓但不阻塞流程的场景。2.3 设计人工参与循环的注意事项引入人工参与虽然能提高可靠性但设计不当反而会降低效率。有几个经验值得分享明确超时策略一定要设置合理的超时时间。如果人工审核者长时间不响应系统应该有备选方案比如升级给其他人、转自动处理或终止流程。提供足够上下文给人工审核者的信息要包含完整的决策上下文不能只有一个孤立的结果。最好能展示智能体的推理过程和相关数据。平衡自动化与人工不要过度设计人工参与点。每个暂停点都会增加流程耗时只在真正必要的环节设置。在实际项目中我通常采用“先全自动再按需加人工”的策略。先让流程能完全自动跑通然后根据错误率和风险等级逐步添加人工检查点。3. 动态编排让工作流能够适应运行时变化静态定义的工作流在处理固定模式的任务时很高效但现实世界的变化往往超出预期。ADK 2.0 的动态编排能力让工作流可以在运行时根据实际情况调整结构。3.1 动态工作流的使用场景动态编排不是所有场景都需要但在以下情况中价值明显不确定的流程长度比如数据清洗流程中根据数据质量决定需要多少轮清洗步骤。无法在定义工作流时确定具体步骤数。运行时资源调整根据当前系统负载动态调整并行度或选择不同的智能体实例。自适应错误处理某个智能体失败时动态切换到备用方案或降级处理而不是整个流程失败。3.2 动态编排的实现机制ADK 的动态工作流主要通过两种方式实现基于条件的节点动态添加在工作流定义中设置条件规则当满足特定条件时自动添加新的处理节点。// 示例根据数据质量动态添加清洗步骤 workflow.AddDynamicStep(data_cleaning, DynamicConfig{ Condition: data_quality_score 0.8, Steps: []Step{additionalCleaningStep}, MaxRetries: 3, })工作流嵌套与组合将子工作流作为可复用的组件在运行时根据需要组合成不同的流程结构。这种方式特别适合构建复杂的企业级应用。3.3 动态编排的复杂度管理动态能力越强复杂度也越高。在使用动态编排时需要特别注意可预测性动态变化不能太随意否则调试和问题排查会变得极其困难。最好有明确的规则和边界。状态管理动态添加的节点如何获取前面节点的状态信息这需要设计好数据传递机制。监控与追踪动态工作流的执行路径每次可能不同需要更强大的追踪能力来理解每次运行的实际流程。我的建议是先从简单的条件分支开始使用动态特性逐步熟悉后再尝试更复杂的动态组合。同时一定要配套完善的日志和监控确保能看清动态工作流的实际行为。4. 多智能体应用的可靠性工程实践有了强大的工作流引擎还要配合正确的工程实践才能构建出真正可靠的多智能体应用。基于 ADK Go 2.0 的新特性我总结了一套可靠性保障方法。4.1 智能体间通信的可靠性设计多智能体协作的核心是通信。ADK 通过 A2AAgent-to-Agent协议提供标准的通信机制但在实际使用中还需要注意消息超时与重试智能体间的调用要有合理的超时设置和重试策略。但重试不是万能的要避免无限重试导致的雪崩效应。消息序列化确保智能体间传递的数据能够正确序列化和反序列化。复杂对象最好使用标准格式如 JSON 或 Protobuf。异步通信模式对于耗时较长的任务采用异步通信避免阻塞整个流程。ADK 的事件机制很适合这种场景。4.2 错误处理与恢复策略多智能体应用的错误处理比单智能体复杂得多因为错误可能发生在任何一个节点并影响后续流程。分层错误处理策略智能体级别每个智能体应该处理自己能处理的错误比如输入格式错误、临时网络问题等。工作流级别处理智能体无法单独处理的错误比如依赖关系错误、超时等。系统级别处理基础设施级别的错误如资源不足、服务不可用等。优雅降级机制 当某个智能体不可用时工作流应该有能力降级到替代方案。比如主要分析智能体失败时使用简化版分析智能体实时数据源不可用时切换到缓存数据高质量生成模型超时时使用快速但质量稍低的模型4.3 可观测性建设可靠的系统必须可观测。ADK 提供了日志、指标和追踪三方面的可观测性支持但需要正确配置和使用。智能体执行追踪利用 ADK 的追踪功能记录每个智能体的输入、输出、耗时和错误信息。这对理解复杂工作流的执行路径特别重要。自定义业务指标除了系统指标还应该定义业务相关的指标比如工作流完成率各环节耗时分布人工参与频率和耗时错误类型分布日志聚合与分析将多个智能体的日志集中存储和分析便于排查跨智能体的问题。ADK 支持与常见的日志系统集成。4.4 测试策略多智能体应用的测试需要分层次进行单元测试测试单个智能体的功能是否正确集成测试测试智能体间的协作和数据传递工作流测试测试完整工作流的执行路径和结果负载测试测试多并发下的性能和稳定性ADK 提供了测试框架支持可以模拟智能体运行环境方便编写各种测试用例。5. 从概念到落地构建第一个基于 ADK Go 2.0 的多智能体应用理论说再多不如实际动手。下面我以一个实际的内容审核流程为例展示如何用 ADK Go 2.0 构建一个可靠的多智能体应用。5.1 场景定义智能内容审核工作流假设我们要构建一个内容审核系统流程包括内容分类判断属于文本、图片还是视频根据类型分发给不同的审核智能体高风险内容需要人工审核最终结果汇总和记录5.2 工作流设计与实现首先定义工作流的基本结构// 创建图工作流 workflow : adk.NewGraphWorkflow(content_moderation) // 添加内容分类节点 classifyNode : workflow.AddNode(classify, contentClassifierAgent) // 添加文本审核节点 textModNode : workflow.AddNode(text_moderate, textModeratorAgent) // 添加图片审核节点 imageModNode : workflow.AddNode(image_moderate, imageModeratorAgent) // 添加人工审核节点 humanReviewNode : workflow.AddNode(human_review, humanReviewAgent) // 添加结果记录节点 recordNode : workflow.AddNode(record_result, resultRecorderAgent)然后定义节点间的路由逻辑// 从分类节点到具体审核节点的条件路由 workflow.AddConditionalEdge(classify, text_moderate, func(result interface{}) bool { return result.ContentType text }) workflow.AddConditionalEdge(classify, image_moderate, func(result interface{}) bool { return result.ContentType image }) // 从审核节点到人工审核的条件路由高风险内容 workflow.AddConditionalEdge(text_moderate, human_review, func(result interface{}) bool { return result.RiskScore 0.8 }) workflow.AddConditionalEdge(image_moderate, human_review, func(result interface{}) bool { return result.RiskScore 0.8 }) // 从审核节点直接到结果记录低风险内容 workflow.AddEdge(text_moderate, record_result) workflow.AddEdge(image_moderate, record_result) // 人工审核后到结果记录 workflow.AddEdge(human_review, record_result)5.3 添加人工参与循环在人工审核节点配置人工参与humanReviewNode.SetHumanInTheLoop(HumanLoopConfig{ Type: approval, Approvers: []string{moderatorcompany.com}, Instructions: 请审核以下内容判断是否违反平台规则, Timeout: 4h, Escalation: senior_moderatorcompany.com, // 超时后升级 })5.4 实现动态编排能力根据内容复杂程度动态调整审核严格度workflow.AddDynamicStep(enhanced_moderation, DynamicConfig{ Condition: content.Complexity 0.7 content.Length 1000, Steps: []Step{enhancedAnalysisStep, crossCheckStep}, })5.5 部署与监控使用 ADK 的部署工具将工作流部署到生产环境并配置监控// 配置指标收集 metrics : adk.NewMetricsConfig() metrics.AddCustomMetric(moderation_decision_time) metrics.AddCustomMetric(human_review_rate) // 配置日志聚合 logging : adk.NewLoggingConfig() logging.EnableTracing true logging.LogLevel info5.6 实际运行中的调整优化在试运行阶段通过监控数据发现两个问题图片审核耗时远高于文本审核影响了整体流程速度人工审核环节超时率较高针对这些问题进行优化对图片审核实现并行处理同时审核多个区域优化人工审核的通知机制增加移动端提醒设置动态超时时间简单内容缩短审核等待时间经过几轮迭代工作流的可靠性和效率都得到了显著提升。构建可靠的多智能体应用技术选型只是第一步更重要的是理解业务场景的复杂性并设计相应的工作流架构。ADK Go 2.0 提供的图工作流、人工参与循环和动态编排能力为应对这种复杂性提供了很好的工具基础。但工具本身不保证成功需要配合正确的设计理念和工程实践。我的经验是先从简单流程开始逐步增加复杂性同时保持对可观测性和错误处理的持续投入。这样构建出来的多智能体应用才能真正在生产环境中可靠运行。
最近在尝试把一个单智能体的数据处理流程扩展成多智能体协作时遇到了一个典型问题每个智能体都能独立完成任务但把它们串起来后要么卡在某个环节等不到响应要么因为一个节点失败导致整个流程崩溃。这时候我才意识到多智能体应用真正的挑战不在单个智能体的能力而在如何让它们可靠地协作。正好看到 ADK Go 2.0 发布这次更新重点放在了工作流引擎和可靠性保障上。官方文档里提到新版本引入了基于图的工作流引擎、人工参与循环和动态编排能力。这些功能听起来像是专门为解决我遇到的这类问题设计的。但文档里也明确说传统的模板工作流顺序、并行、循环已经被更灵活的图工作流取代。这让我好奇图工作流到底解决了什么模板工作流解决不了的问题人工参与循环在实际项目中该怎么嵌入动态编排又能在什么场景下发挥作用1. 从模板工作流到图工作流为什么确定性执行不够用在 ADK 2.0 之前模板工作流提供了三种固定的执行模式顺序执行、并行执行和循环执行。这些模式在简单场景下确实够用比如先让智能体 A 分析数据再让智能体 B 生成报告或者同时调用多个智能体处理不同任务。但实际项目中工作流很少这么理想化。更多时候你需要根据前一个智能体的输出决定下一步调用哪个智能体或者在某些条件满足时提前结束流程。模板工作流的确定性执行模式在这里就显得力不从心。1.1 模板工作流的局限性太硬编码难适应变化模板工作流最大的问题是“硬编码”。一旦定义了顺序、并行或循环结构执行路径就固定了。如果流程中间需要根据实际情况调整要么重写整个工作流要么在外面包一层复杂的判断逻辑。比如在一个客服场景中原本设计的是“问题分类 → 知识库检索 → 生成回答”的顺序流程。但如果用户问题涉及敏感信息就需要在生成回答前插入人工审核环节。在模板工作流里这种动态插入几乎不可能实现。1.2 图工作流的优势可视化编排与条件路由图工作流把整个流程抽象成节点和边每个节点代表一个智能体或操作边代表执行路径。这种结构天然支持条件路由和动态调整。在实际使用中我发现图工作流有几个关键价值可视化编排可以直接在 ADK 的可视化构建器里拖拽节点、连接边直观看到整个流程的全貌。这对复杂业务流程的理解和沟通特别有帮助。条件分支可以根据智能体的输出决定下一步走哪个分支。比如情感分析智能体输出负面情绪时走人工审核分支正面情绪时直接生成回复。并行与聚合可以同时启动多个分支处理不同任务然后在某个节点等待所有分支完成后再聚合结果。这在数据处理和批量任务中很实用。1.3 从模板迁移到图的实操建议如果你已经在用 ADK 的模板工作流迁移到图工作流并不复杂。我的经验是先映射现有流程把当前的顺序、并行或循环结构画成节点图理解每个环节的输入输出依赖。识别条件分支点找出流程中需要根据结果动态调整的地方这些是图工作流能发挥价值的关键点。从小流程开始试不要一上来就重构核心业务流程先找一个辅助性的小流程验证图工作流的稳定性和性能。重要的是图工作流不是要完全取代模板工作流。对于简单的线性流程顺序模板可能更直接。但当流程开始变得复杂、需要条件判断时图工作流的优势就显现出来了。2. 人工参与循环在自动化流程中保留人的判断权多智能体应用最容易出问题的地方往往是需要人类专业判断的环节。完全自动化听起来很美好但在实际业务中很多决策需要人的经验和上下文理解。ADK 2.0 的人工参与循环Human-in-the-Loop功能就是为了解决这个问题。它允许在工作流的特定节点暂停自动化流程等待人工输入或审核后再继续。2.1 什么时候需要人工介入不是所有环节都需要人工参与。根据我的经验以下三类场景最适合引入人工循环高风险决策比如涉及资金交易、法律合规、敏感内容发布的环节。在这些地方设置人工审核点可以避免自动化系统做出不可逆的错误决策。模糊边界判断当前智能体无法明确分类或判断的情况。比如客服系统中用户问题同时涉及多个业务领域需要人工分配处理部门。质量检查点在关键输出节点设置人工质量检查确保最终结果符合预期。这在内容生成、数据分析等场景中特别重要。2.2 人工参与的具体实现方式ADK 提供了几种不同的人工参与模式审核批准模式智能体生成结果后发送给指定的人工审核者。审核者可以批准、拒绝或修改结果。只有批准后流程才继续。// 示例在关键决策点设置人工审核 workflow.AddHumanApprovalStep(final_review, HumanApprovalConfig{ Approvers: []string{project_leadcompany.com}, Timeout: 24h, // 最长等待24小时 Reminders: []string{1h, 12h}, // 1小时和12小时后提醒 })人工输入模式流程运行到某个节点时主动向人工请求必要信息。比如在数据分析流程中如果发现数据异常可以暂停并询问处理建议。并行通知模式流程继续运行但同时通知相关人员关注特定节点。这种模式适合需要人工知晓但不阻塞流程的场景。2.3 设计人工参与循环的注意事项引入人工参与虽然能提高可靠性但设计不当反而会降低效率。有几个经验值得分享明确超时策略一定要设置合理的超时时间。如果人工审核者长时间不响应系统应该有备选方案比如升级给其他人、转自动处理或终止流程。提供足够上下文给人工审核者的信息要包含完整的决策上下文不能只有一个孤立的结果。最好能展示智能体的推理过程和相关数据。平衡自动化与人工不要过度设计人工参与点。每个暂停点都会增加流程耗时只在真正必要的环节设置。在实际项目中我通常采用“先全自动再按需加人工”的策略。先让流程能完全自动跑通然后根据错误率和风险等级逐步添加人工检查点。3. 动态编排让工作流能够适应运行时变化静态定义的工作流在处理固定模式的任务时很高效但现实世界的变化往往超出预期。ADK 2.0 的动态编排能力让工作流可以在运行时根据实际情况调整结构。3.1 动态工作流的使用场景动态编排不是所有场景都需要但在以下情况中价值明显不确定的流程长度比如数据清洗流程中根据数据质量决定需要多少轮清洗步骤。无法在定义工作流时确定具体步骤数。运行时资源调整根据当前系统负载动态调整并行度或选择不同的智能体实例。自适应错误处理某个智能体失败时动态切换到备用方案或降级处理而不是整个流程失败。3.2 动态编排的实现机制ADK 的动态工作流主要通过两种方式实现基于条件的节点动态添加在工作流定义中设置条件规则当满足特定条件时自动添加新的处理节点。// 示例根据数据质量动态添加清洗步骤 workflow.AddDynamicStep(data_cleaning, DynamicConfig{ Condition: data_quality_score 0.8, Steps: []Step{additionalCleaningStep}, MaxRetries: 3, })工作流嵌套与组合将子工作流作为可复用的组件在运行时根据需要组合成不同的流程结构。这种方式特别适合构建复杂的企业级应用。3.3 动态编排的复杂度管理动态能力越强复杂度也越高。在使用动态编排时需要特别注意可预测性动态变化不能太随意否则调试和问题排查会变得极其困难。最好有明确的规则和边界。状态管理动态添加的节点如何获取前面节点的状态信息这需要设计好数据传递机制。监控与追踪动态工作流的执行路径每次可能不同需要更强大的追踪能力来理解每次运行的实际流程。我的建议是先从简单的条件分支开始使用动态特性逐步熟悉后再尝试更复杂的动态组合。同时一定要配套完善的日志和监控确保能看清动态工作流的实际行为。4. 多智能体应用的可靠性工程实践有了强大的工作流引擎还要配合正确的工程实践才能构建出真正可靠的多智能体应用。基于 ADK Go 2.0 的新特性我总结了一套可靠性保障方法。4.1 智能体间通信的可靠性设计多智能体协作的核心是通信。ADK 通过 A2AAgent-to-Agent协议提供标准的通信机制但在实际使用中还需要注意消息超时与重试智能体间的调用要有合理的超时设置和重试策略。但重试不是万能的要避免无限重试导致的雪崩效应。消息序列化确保智能体间传递的数据能够正确序列化和反序列化。复杂对象最好使用标准格式如 JSON 或 Protobuf。异步通信模式对于耗时较长的任务采用异步通信避免阻塞整个流程。ADK 的事件机制很适合这种场景。4.2 错误处理与恢复策略多智能体应用的错误处理比单智能体复杂得多因为错误可能发生在任何一个节点并影响后续流程。分层错误处理策略智能体级别每个智能体应该处理自己能处理的错误比如输入格式错误、临时网络问题等。工作流级别处理智能体无法单独处理的错误比如依赖关系错误、超时等。系统级别处理基础设施级别的错误如资源不足、服务不可用等。优雅降级机制 当某个智能体不可用时工作流应该有能力降级到替代方案。比如主要分析智能体失败时使用简化版分析智能体实时数据源不可用时切换到缓存数据高质量生成模型超时时使用快速但质量稍低的模型4.3 可观测性建设可靠的系统必须可观测。ADK 提供了日志、指标和追踪三方面的可观测性支持但需要正确配置和使用。智能体执行追踪利用 ADK 的追踪功能记录每个智能体的输入、输出、耗时和错误信息。这对理解复杂工作流的执行路径特别重要。自定义业务指标除了系统指标还应该定义业务相关的指标比如工作流完成率各环节耗时分布人工参与频率和耗时错误类型分布日志聚合与分析将多个智能体的日志集中存储和分析便于排查跨智能体的问题。ADK 支持与常见的日志系统集成。4.4 测试策略多智能体应用的测试需要分层次进行单元测试测试单个智能体的功能是否正确集成测试测试智能体间的协作和数据传递工作流测试测试完整工作流的执行路径和结果负载测试测试多并发下的性能和稳定性ADK 提供了测试框架支持可以模拟智能体运行环境方便编写各种测试用例。5. 从概念到落地构建第一个基于 ADK Go 2.0 的多智能体应用理论说再多不如实际动手。下面我以一个实际的内容审核流程为例展示如何用 ADK Go 2.0 构建一个可靠的多智能体应用。5.1 场景定义智能内容审核工作流假设我们要构建一个内容审核系统流程包括内容分类判断属于文本、图片还是视频根据类型分发给不同的审核智能体高风险内容需要人工审核最终结果汇总和记录5.2 工作流设计与实现首先定义工作流的基本结构// 创建图工作流 workflow : adk.NewGraphWorkflow(content_moderation) // 添加内容分类节点 classifyNode : workflow.AddNode(classify, contentClassifierAgent) // 添加文本审核节点 textModNode : workflow.AddNode(text_moderate, textModeratorAgent) // 添加图片审核节点 imageModNode : workflow.AddNode(image_moderate, imageModeratorAgent) // 添加人工审核节点 humanReviewNode : workflow.AddNode(human_review, humanReviewAgent) // 添加结果记录节点 recordNode : workflow.AddNode(record_result, resultRecorderAgent)然后定义节点间的路由逻辑// 从分类节点到具体审核节点的条件路由 workflow.AddConditionalEdge(classify, text_moderate, func(result interface{}) bool { return result.ContentType text }) workflow.AddConditionalEdge(classify, image_moderate, func(result interface{}) bool { return result.ContentType image }) // 从审核节点到人工审核的条件路由高风险内容 workflow.AddConditionalEdge(text_moderate, human_review, func(result interface{}) bool { return result.RiskScore 0.8 }) workflow.AddConditionalEdge(image_moderate, human_review, func(result interface{}) bool { return result.RiskScore 0.8 }) // 从审核节点直接到结果记录低风险内容 workflow.AddEdge(text_moderate, record_result) workflow.AddEdge(image_moderate, record_result) // 人工审核后到结果记录 workflow.AddEdge(human_review, record_result)5.3 添加人工参与循环在人工审核节点配置人工参与humanReviewNode.SetHumanInTheLoop(HumanLoopConfig{ Type: approval, Approvers: []string{moderatorcompany.com}, Instructions: 请审核以下内容判断是否违反平台规则, Timeout: 4h, Escalation: senior_moderatorcompany.com, // 超时后升级 })5.4 实现动态编排能力根据内容复杂程度动态调整审核严格度workflow.AddDynamicStep(enhanced_moderation, DynamicConfig{ Condition: content.Complexity 0.7 content.Length 1000, Steps: []Step{enhancedAnalysisStep, crossCheckStep}, })5.5 部署与监控使用 ADK 的部署工具将工作流部署到生产环境并配置监控// 配置指标收集 metrics : adk.NewMetricsConfig() metrics.AddCustomMetric(moderation_decision_time) metrics.AddCustomMetric(human_review_rate) // 配置日志聚合 logging : adk.NewLoggingConfig() logging.EnableTracing true logging.LogLevel info5.6 实际运行中的调整优化在试运行阶段通过监控数据发现两个问题图片审核耗时远高于文本审核影响了整体流程速度人工审核环节超时率较高针对这些问题进行优化对图片审核实现并行处理同时审核多个区域优化人工审核的通知机制增加移动端提醒设置动态超时时间简单内容缩短审核等待时间经过几轮迭代工作流的可靠性和效率都得到了显著提升。构建可靠的多智能体应用技术选型只是第一步更重要的是理解业务场景的复杂性并设计相应的工作流架构。ADK Go 2.0 提供的图工作流、人工参与循环和动态编排能力为应对这种复杂性提供了很好的工具基础。但工具本身不保证成功需要配合正确的设计理念和工程实践。我的经验是先从简单流程开始逐步增加复杂性同时保持对可观测性和错误处理的持续投入。这样构建出来的多智能体应用才能真正在生产环境中可靠运行。
