在多 Agent 系统领域，BettaFish 项目以其独特的 "从零实现，不依赖任何框架" 设计理念，构建了一个完整的多 Agent 舆情分析系统。该系统最大的技术亮点在于其自研的分布式调度引擎，通过论坛协作机制实现了 Agent 间的高效编排与状态管理，为构建轻量化、可扩展的多 Agent 系统提供了宝贵的工程实践。
架构哲学：无框架依赖的轻量化设计
BettaFish 的分布式调度引擎采用纯 Python 模块化设计理念，摒弃了对现有 Agent 框架的依赖，实现了真正的自主可控。这种设计哲学的核心在于：每个 Agent 都是独立的业务单元，拥有完整的生命周期管理和状态控制能力。从系统架构图可以看出，该调度引擎由四个专业 Agent（Query、Media、Insight、Report）和一个 ForumEngine 组成，形成了一个层次化的协作网络。
这种无框架依赖的设计带来了显著的技术优势。首先是部署简便性 —— 整个系统可以在一台普通机器上完成部署，无需复杂的容器化配置。其次是可定制性 —— 开发者可以轻松修改任何 Agent 的内部逻辑，而不必受到框架约束。最后是性能可控性 —— 避免了框架层的抽象开销，直接针对业务场景进行优化。
分布式调度策略：论坛协作机制
BettaFish 的调度引擎最独特的设计是 ForumEngine 实现的 "论坛辩论" 机制。这不是简单的任务分发，而是模拟人类论坛讨论的智能协作模式。系统通过七个步骤的编排流程，实现了 Agent 间的深度协作：
初始化阶段：用户通过 Flask 主应用提出查询需求，系统并行启动三个专业 Agent（Query、Media、Insight），开始初步信息收集和策略制定。
循环协作阶段：这是整个调度系统的核心。ForumEngine 作为论坛主持人，监控各个 Agent 的发言进度，并生成主持人总结来引导下一轮讨论。Agent 根据论坛讨论内容动态调整研究方向，形成多轮循环的深度研究。
结果整合阶段：Report Agent 收集所有分析结果和论坛讨论内容，通过模板引擎生成最终的 HTML 报告。
这种调度策略的设计亮点在于动态依赖关系管理。与传统的有向无环图（DAG）不同，BettaFish 的调度引擎允许 Agent 在协作过程中动态生成新的依赖关系。例如，Query Agent 在搜索过程中发现了新的关键词，会触发 Media Agent 进行多模态分析，而这种依赖关系在初始规划时是未知的。
状态管理优化：轻量级状态同步
状态管理是多 Agent 系统的核心技术挑战。BettaFish 通过 InsightEngine/state/ 目录实现了一套轻量级的状态管理机制，该机制具有以下特点：
分层状态管理：系统将状态分为全局状态和 Agent 本地状态。全局状态由 ForumEngine 维护，包含论坛讨论记录、任务进度监控、依赖关系图等。Agent 本地状态则包含各自的分析结果、工具调用历史、反思机制记录等。
事件驱动的状态同步：状态更新采用事件驱动模式。当某个 Agent 完成一项分析任务或产生新的见解时，会发布状态更新事件，ForumEngine 接收事件后更新全局状态，并通知相关 Agent 进行相应的状态调整。
持久化与恢复机制：系统实现了状态持久化功能，在长时间运行的任务中，如果某个 Agent 出现故障，系统可以从保存的状态点恢复，避免重复执行已完成的工作。
这种状态管理设计避免了传统分布式系统的复杂状态同步协议，而是采用了一种更灵活的轻量化方案。在实际测试中，该方案能够支持数十个 Agent 同时协作的状态管理需求。
Agent 编排的工程实现
在工程实现层面，BettaFish 的 Agent 编排机制展现出高度的专业化分工。每个 Agent 都拥有独立的工具集和思维模式，这种设计模式值得深入分析：
工具集专业化：Query Agent 配备了搜索引擎、网页内容提取等工具；Media Agent 则专注于图像理解、视频分析等多模态能力；Insight Agent 负责数据库查询和情感分析；Report Agent 集成了模板引擎和报告生成能力。
思维模式差异化：系统为不同 Agent 设计了专门的提示词模板，使其在处理相同数据时能够产生不同角度的见解。这种差异化设计是实现 "思维碰撞" 的前提。
反思与自我改进机制：每个 Agent 都内置了反思机制，能够根据论坛讨论内容重新评估自己的分析结论，并主动修正错误或补充遗漏。
性能与扩展性分析
从性能角度看，BettaFish 的调度引擎采用了并行执行 + 协作优化的策略。在初始化阶段，多个 Agent 可以并行工作，充分利用多核 CPU 资源。在协作阶段，通过智能的调度算法，论坛主持人能够根据 Agent 的工作负载和任务优先级，动态分配计算资源。
扩展性方面，该调度引擎支持水平扩展和垂直扩展两种模式。水平扩展指可以轻松添加新的专业 Agent 到协作网络中；垂直扩展指可以增加 Agent 的工具能力或优化其内部算法。由于系统采用模块化设计，开发者可以根据业务需求快速定制和扩展功能模块。
实际应用价值与局限
BettaFish 的分布式调度引擎在舆情分析场景中表现出色，能够处理 30 + 主流社媒平台的数据，实现多维度的智能分析。其 "论坛辩论" 机制有效避免了单一模型的偏见，提升了分析结果的准确性和全面性。
然而，该系统也存在一些技术局限。首先，由于采用自研的调度算法，在处理大规模并发任务时，性能优化空间有限。其次，状态管理机制虽然轻量，但在极端复杂的协作场景下，可能出现状态不一致的问题。最后，论坛协作机制的效果高度依赖于 Agent 的智能化程度，简单的 Agent 无法产生有价值的思维碰撞。
工程实践启示
BettaFish 的分布式调度引擎为构建轻量化多 Agent 系统提供了重要启示：在某些垂直场景下，自研的简化架构可能比通用框架更高效。这种设计理念特别适合中小型企业和研究团队，既能满足技术需求，又能控制开发和维护成本。
对于希望构建多 Agent 系统的开发者而言，BettaFish 的经验表明：真正的挑战不在于选择哪个框架，而在于如何设计 Agent 间的协作机制和状态管理策略。只有深入理解业务场景的特点，才能设计出既简单又强大的分布式调度引擎。
通过深入分析 BettaFish 的调度引擎，我们可以看到多 Agent 系统的另一种可能 ——轻量、灵活、可控的自主实现方案。这种方案虽然牺牲了部分通用性，但换来了更高的定制化程度和更好的工程可维护性，在特定的业务场景下具有重要价值。
参考资料：