当你只有两个智能体协同工作时，消息传递足够了。当你有数百个异构智能体时，你需要的不再是对话协议，而是操作系统的等价物。

核心观点：当前主流多智能体框架的失败根源在于它们过度关注智能体间的消息传递和提示工程，而忽略了系统级的调度、协调和治理问题——真正的瓶颈是控制平面，而非智能体本身。

多智能体系统正在迅速从学术概念走向工业部署。开发者们热情地构建由数十个专用智能体组成的团队，每个智能体负责一个特定任务——一个编写代码，一个审查代码，一个部署代码，一个监控错误。然而，当这些系统从原型走向规模化时，它们几乎无一例外地崩溃了。不是智能体变笨了，而是系统本身阻塞了。

问题的核心不在于智能体的“智能”程度——现在的 LLM 已经足够聪明——而在于它们之间如何协调。当前大多数主流框架（如 LangGraph、CrewAI、AutoGen）本质上建立在消息传递模型上：智能体 A 发送一条消息给智能体 B，B 回复，A 再回复，如此往复。这种模式在小规模下工作良好，但在扩展到数十甚至数百个智能体时，它会产生几个致命问题。

第一个问题是调度死锁。当多个智能体同时请求同一个资源——比如同一个数据库连接、同一个外部 API 的速率限制、或是同一个模型的推理配额——如果没有中央调度器，它们会互相阻塞。消息传递模型缺乏全局视图，每个智能体只知道自己的下一个动作，不知道系统中其他智能体的状态。结果是：系统在负载上升时迅速退化，而不是优雅地降级。

第二个问题是恢复机制的缺失。在消息传递模型中，如果某个智能体在处理消息时崩溃，它之前的上下文就丢失了。重新启动它需要重新发送所有历史消息，而这又可能引发消息风暴，导致其他智能体也崩溃。大多数框架的容错方案是“重启再试”，但这在数百个智能体的系统中是不可接受的——一次重启可能意味着数分钟甚至数小时的计算损失。

第三个问题是治理和审计。当你有一百个智能体在同时行动时，你如何知道谁做了什么决定？消息传递模型天然缺乏记录决策过程的机制。你只能看到消息流，但无法追溯哪个智能体基于什么数据做出了哪个决策。这在涉及合规性的场景中是致命的——比如金融交易或医疗诊断。

问题的根源在于，当前的框架将智能体视为独立的实体，而不是系统中的一个组件。它们模仿的是人际交流的模式（对话、消息、回复），而不是计算系统的模式（调度、分配、恢复）。

这正是控制平面架构的切入点。控制平面架构将系统分为两层：一层是数据平面，即实际执行任务的智能体；另一层是控制平面，负责调度、协调、治理和恢复。控制平面不直接参与任务执行，而是维护全局状态、管理资源分配、监控智能体健康、并决定何时需要干预。

在控制平面架构中，智能体不再直接相互通信。它们只与控制平面交互。智能体 A 需要 B 的输出时，它向控制平面发出请求；控制平面检查资源状态，调度 B 执行，然后返回结果。这种方式消除了死锁，因为控制平面拥有全局视图，可以按照优先级、资源可用性和依赖关系来排序任务。恢复也变得简单：控制平面保存了每个智能体的状态快照，当某个智能体崩溃时，它只需恢复到最近的快照，而不是重放整个消息历史。

治理问题同样得到解决。控制平面记录了每个决策的完整上下文：谁请求了什么、基于什么数据、执行了什么操作、结果如何。这形成一个可审计的决策轨迹，而不是杂乱的消息日志。

但这种架构也有代价。控制平面本身可能成为瓶颈——如果所有请求都必须经过中央调度器，那么调度器的吞吐量就决定了整个系统的上限。解决方法是分层的控制平面，即本地控制平面和全局控制平面相结合，类似于操作系统的进程调度。但这种复杂性意味着，构建生产级的多智能体系统不再是一个轻量级的编程任务，而是需要系统级的工程设计。

目前，大多数开发者仍然被“智能体协作”的叙事吸引，倾向于使用简单的消息传递框架。但当他们的系统在十次请求后就开始崩溃时，他们才意识到问题出在架构层面，而非智能体层面。控制平面架构就像操作系统对于计算机一样：你看不见它，但它决定了系统能否稳定运行。

我并非在鼓吹所有多智能体系统都必须采用控制平面。对于少于十个智能体、任务链是线性的简单系统，消息传递模型完全足够。但如果你正在构建一个需要长期运行、涉及异构智能体、并且必须保证可靠性的系统，那么从一开始就投资控制平面架构，将远比在后期重构更明智。

反方可能会说，控制平面增加了不必要的复杂性，而且最新的 LLM 已经足够聪明，可以通过自身的推理协调好任务。但经验表明，LLM 的“智能”是局部的，它无法维护全局状态——即使是最长的上下文窗口，也无法容纳数百个智能体的状态更新。这不是 LLM 的缺陷，而是设计哲学的差异：我们是应该让每个智能体都变得足够聪明来处理所有情况，还是通过系统设计来弥补个体智能体的不足？我认为后者的扩展性更好。

回到开头的问题：多智能体框架的失败不是智能体的问题，而是系统的问题。消息传递模型在原型阶段是诱人的，因为它看起来简单、灵活、接近人类沟通的方式。但生产级系统需要的是调度、控制、恢复和审计——这些都是操作系统的领域，而非对话的领域。控制平面架构不是一种时髦的替代方案，而是一种必要的系统级思维。

如果把这个判断再往前推一步，真正重要的不是 Why Most Multi-Agen…、美伊谈判反复拉扯，霍尔木兹海峡或将变成…、How I Traced a Memo… 本身，而是它们共同暴露出的分配逻辑。 reddit、bilibili 在同一轮里把注意力推向同一问题，通常意味着这个主题正在从圈层内部经验，转向更可共享的公共议题。 这也是为什么这种内容值得写成长文：短帖只负责提醒你“这里有事发生”，但只有长文才能把背景、代价、误判空间和后续影响放到同一张桌面上。 换句话说，当前主流多智能体框架的失败根源在于它们过度关注智能体间的消息传递和提示工程，而忽略了系统级的调度、协调和治理问题——真正的瓶颈是控制平面，而非智能体本身。 之所以重要，不是因为它看上去新，而是因为它会重新定义用户接下来应该如何理解这一类内容。