律所的 AI 团队不缺人手,缺结构:从数量到架构的多Agent五种模式

你做了一件看起来很合理的事。

给合同审查任务配了两个 Agent：一个负责找风险条款，一个负责汇总最终报告。分工合理，你觉得效率应该翻倍。

结果那个汇总 Agent 拿到了风险条款清单，在没有对照原合同的情况下，把清单"总结"了一遍，产出了一份措辞更流畅、但判断更模糊的报告。

你配了两个 Agent，得到了一份比单 Agent 更差的输出。

多 Agent 失败，原因通常不是模型不够好，而是结构选错了。

你真的需要多 Agent 吗？

这个问题不是废话，是真的要先想清楚。

多 Agent 不是默认高级形态。专业分工的同时，协调成本也来了：更多 Token、更多延迟、更多容易出错的传话节点。单 Agent 能搞定的事，加 Agent 只会加噪声。

触发多 Agent 的，通常是四种真实约束：

上下文污染：任务中途产生大量中间材料，会干扰后续判断。比如并行检索了十几份文件，如果全堆给一个 Agent，它容易在噪声里迷路。子 Agent 处理完再回传摘要，主线就干净了。

需要并行：多个子任务互不依赖，串行跑太慢。尽调里财务、法律、商务三条线，没有理由排队等。

需要专业化：某个环节需要完全不同的工具集或判断框架，塞给一个 Agent 会让它在"我该用哪个"上反复纠结。

需要独立验证：同一个 Agent 又生成又审查，容易自证正确。独立的审查 Agent 用不同上下文看同一份输出，可靠性更高。

没有真实约束，就不要升级到多 Agent。

五种结构，分别解决什么问题

不同约束，对应不同结构。下面每种模式，我会说清楚它是什么、法律场景里对应什么情况、以及什么时候用它。

输出质量不稳定，就上 Generator-Verifier

这是最容易被低估的结构，也是最值得优先试的。

直接解释就是：一个 Agent 负责生成，另一个 Agent 负责验证，不达标就打回重来，循环直到通过。

起草 Agent    ↓ 输出初稿验证 Agent    ↓┌── [通过] ──→ 交付│└── [不通过] ──→ 反馈原因                    ↓              起草 Agent 修正                    ↓              再次验证（最多 N 轮）

法律场景里，合同审查最对口。你让 Agent 起草审查意见，但你知道它容易漏掉特定风险点，比如争议解决条款里的仲裁地、保密条款的例外情形、交割先决条件的触发机制。

单独配一个验证 Agent，给它一份核查清单：这些点必须覆盖，格式必须满足，有没有前后矛盾。起草 Agent 每次输出都要过这道门禁，不过不放行。

关键不在于"有两个 Agent"，在于验证标准是不是真的明确。如果你给验证 Agent 的指令是"帮我检查有没有问题"，它就会走过场。验证条件越具体，这个结构越有用。

质量问题是结构问题，不是模型问题，Generator-Verifier 是最直接的结构解法。

任务需要拆分执行，就用 Orchestrator-Subagent

目前最常见的多 Agent 形态，也是《律师不开飞书》系列和《法律人的 Claude Code 教程》里反复跑过的。

直接解释就是：主 Agent 理解并拆分任务，子 Agent 各自执行其中一块，完成后回传结果。

主 Agent（理解任务，拆分执行）  ├── 子 Agent1（查企业工商信息）  ├── 子 Agent2（跑合同检索）  └── 子 Agent3（生成摘要报告）

触发条件是：任务明确可拆，子任务之间有依赖顺序，主 Agent 只需要拿结果就够了。

这个结构的细节在《律师不开飞书 02》里有完整示范，这里不重复。只补一个边界：子任务边界越模糊，主 Agent 就越容易变成传话员，而不是协调者。

如果你说不清楚子任务做到什么算完成，这个结构会失控。

多个方向需要同时跑，就用 Agent Teams

和 Orchestrator-Subagent 的差别是：这里的 Worker Agent 是长期存在、持续工作的，不是主 Agent 临时召唤的一次性子 Agent。

直接解释就是：有一个协调者，多个 Worker Agent 各认领一个领域，长期并行工作，最后汇总。

协调者 Agent  ├── 财务尽调 Agent（持续读财务文件）  ├── 法律尽调 Agent（持续读合同与证照）  └── 商务尽调 Agent（持续读业务材料）             ↓         协调者整合，出报告

并购尽调是这个结构最对口的场景。财务、法律、商务三条线互不依赖，让三条线同时跑，不用等任何一条完成才启动下一条。

和 Orchestrator-Subagent 的核心差异是运行方式：Worker Agent 专注于某个分区、持续工作，边界稳定后协调者不需要频繁介入，只在最终汇总时出现。

并行不只是效率问题，也是视角隔离问题，让三条线各自独立看材料，比一个 Agent 顺序看三遍更可靠。

流程固定且会扩展，就考虑 Message Bus

这个结构偏工程化，不是最常见的法律 AI 起手式，但一旦流程固定下来，扩展性最好。

直接解释就是：系统里发生的每件事都是一个"事件"，不同的 Agent 订阅自己关心的事件，事件触发后自动执行。

事件：客户提交材料    ↓消息路由  ├── 审查 Agent 订阅"新材料" ──→ 自动触发合同审查  ├── 催办 Agent 订阅"审查完成" ──→ 自动提醒律师处理  └── 归档 Agent 订阅"任务关闭" ──→ 自动整理存档

这个结构适合事务所级别的工作流自动化。客户提交材料这个事件一发生，后面的审查、催办、归档都自动流转，不需要人工逐步触发。以后想加一个"自动生成费用确认单"的步骤，只需要多订阅一个事件，不用动原来的结构。

触发条件是：流程已经稳定，而且预期还会加新步骤。如果流程本身还在变，不要上这个。

Message Bus 不适合探索，适合把已经想清楚的流程跑稳、跑顺、跑久。

早期探索需要多个视角碰撞，就用 Shared State

五种里最自由，也最难控制。

直接解释就是：多个 Agent 读写同一份共享材料库，谁有新发现就写进去，其他 Agent 看到后可以继续推进，也可以修正。

共享案件材料库  ↑↓             ↑↓             ↑↓Agent A        Agent B        Agent C（法律路径）   （事实还原）   （时间线梳理）

这个结构适合案件早期分析阶段。你有一堆材料，不知道从哪条线切入。让三个 Agent 分别从法律依据、事实还原、时间线三个角度各自探索，谁发现关键线索就写进共享库，其他 Agent 看到后可以据此调整方向。

风险是：容易没完没了，也容易几个 Agent 绕着同一个结论打转。用这个结构一定要设好终止条件，比如轮数上限，或者明确的"任务完成"判断标准。

Shared State 是创意碰撞的工具，不是生产线，用它探索，用其他结构交付。

选哪个，对照这张表

从"我有几个 AI 助理"到"我的 AI 团队选了什么结构"，这一步比任何模型升级都重要。配多少个 Agent 不是问题，有没有想清楚它们之间信息怎么流、质量怎么控、边界在哪里，才是问题。

结构决定质量，数量不决定质量。