黑板回潮：去编排多智能体六式

当多智能体协作从"谁掌控循环"之争走向定盘时，2026年出现了一个意想不到的回潮方向——诞生于1980年代Hearsay-II语音识别系统的黑板架构（Blackboard）正以LLM专家智能体（Knowledge Source）的形态重返舞台中心。本期实测发现：以Supervisor中央调度为代表的编排型范式是2026年的默认选择，但在"解法路径未知"的探索型任务上，去中心化的黑板共享态模式正反超层级编排。我们将六种协调范式——Supervisor、Pipeline、Router、Blackboard、Swarm、Debate——拆解为控制权归属、状态拓扑、成本曲线三个轴，给出可落地的选型决策。关键数据锚点：Debate协作税约为单模型的2.5倍，Swarm配合Kimi K2.6可横向扩展到300智能体，Gartner预测2026年底40%企业应用内嵌智能体。

协调范式六式总览

控制权的归属是六式的第一性分水岭：前三式与后三式的根本差异，在于"谁来决定下一步调用谁"。编排型把决策权交给一个外部编排器或固定图；去编排型把决策权下放给智能体自身或共享状态。2026年的核心争论，正从"用不用图"转向"共享态该不该有仲裁者"。

一、Supervisor中央调度：2026年的安全默认

Supervisor模式用一个中央编排者（orchestrator）持有全局状态，将任务拆解为子步骤，逐个派发给工人智能体，再把结果汇聚回全局态。它是Paiteq、Lushbinary、DigitalApplied三家2026生产指南共同推荐的默认起点，原因很简单：可观测、可回滚、可注入人类审批。

范式	控制权归属	状态拓扑	触发方式	2026定位	协作税
Supervisor（中央调度）	单一编排者	汇聚式（星型）	自顶向下规划	默认选择	中
Pipeline（流水线）	确定性链条	线性传递	前驱完成	高吞吐批处理	低
Router（路由分发）	分类器单跳	扇出无回流	条件路由	专家分流	极低
Blackboard（黑板）	控制壳仲裁	共享可变态	KS自触发	探索型回潮	中高
Swarm（蜂群）	无固定中心	随消息迁移	Handoff移交	弹性扩展	低
Debate（辩论）	中立裁判	共享辩论场	回合收敛	高可信决策	高（~2.5×）

def supervisor(task, agents, orchestrator):
    plan = orchestrator.plan(task)              # 中央规划
    state = {}
    for step in plan:
        result = agents[step.role].run(step.input, state)
        state = orchestrator.update(state, result)  # 全局态汇聚
        if orchestrator.needs_approval(state):
            state = human_gate(state)           # 审批闸门
    return state

优点是控制流线性、故障爆炸半径可控、与现有SRE/审批流天然兼容；缺点是编排者成为单点瓶颈与单点故障，且当任务结构高度不确定时，规划本身退化为"猜"。变现评估：最适合包装成企业级"智能体中台"训练营，因为它直接映射到传统微服务/工作流工程师的心智模型，迁移成本低，客单价可做到B端中高位。

二、Pipeline流水线：确定性的极致吞吐

Pipeline把智能体编排成一条固定链，前一阶段的输出是后一阶段的输入，无回流、无分支。CodeBridge、Lushbinary都将其列为高吞吐批处理的首选——例如"规划→检索→编码→评审"四段式。它的本质是用确定性换取可预测的延迟和最低的协作税。

data = task
for stage in [planner, searcher, coder, reviewer]:   # 确定性链
    data = stage.run(data)
return data

优点是延迟可建模（每段延迟之和）、token预算可摊销、并发可流水线化（相邻阶段可重叠）；缺点是脆弱——任何一段的幻觉会沿链传播放大，且无法处理"需要回头修正"的任务。变现评估：适合做成"内容工厂"或"数据清洗流水线"这类SaaS化产品，按调用量计费，毛利率取决于能否复用KV缓存与批处理折扣。它不适合训练营叙事（太工程化），但适合做工具型订阅。

三、Router路由分发：协作税最低的单跳

Router用一个轻量分类器对任务打标签，单跳分发到对应专家智能体，执行后即返回，不回流、不迭代。DigitalApplied将其与Fan-out并列，强调它在"互不相关的并行子任务"上的成本优势。它是六式中协作税最低的，因为根本没有真正意义上的"协作"——只有分流。

def router(task, classifier, agents):
    role = classifier(task)          # 单跳分类
    return agents[role].run(task)    # 无回流

优点是延迟≈单智能体延迟、成本几乎不溢价、水平扩展只需加专家；缺点是分类错误即全程失败，且无法处理需要多专家协作的复合任务。变现评估：适合做客服/工单分类这类"既要用到多个领域的专业知识、但每个请求只属于一个领域"的场景，是最容易跑通ROI的变现路径。其训练价值在于"专家库"的积累而非编排本身。

四、Blackboard黑板：被低估的回潮力量

这是本期最值得深挖的范式。黑板架构由三要素构成：知识源（Knowledge Source, KS）即专家智能体、黑板（Blackboard）即共享可变数据空间、控制壳（Control Shell）即仲裁调度器。它诞生于1980年代的Hearsay-II语音识别系统，2025–2026年因两篇关键论文而回潮：arXiv 2510.01285（Google研究的Salemi等人，"LLM-Based Multi-Agent Blackboard System for Information Discovery in Data Science"，2025年9月提交、2026年1月修订）证明黑板范式在数据科学信息发现上超越单智能体；arXiv 2507.01701与ACM确定性黑板流水线工作进一步给出了工程化路径。

class Blackboard:
    def __init__(self):
        self.state = {}                      # 共享可变数据空间
        self.log = []                        # 追加式事件日志
    def write(self, key, value, agent):
        self.state[key] = value
        self.log.append((agent, key))        # 审计可回放
    def read(self, key):
        return self.state.get(key)

class KnowledgeSource:                       # 专家智能体
    def __init__(self, name, trigger, fn):
        self.name, self.trigger, self.fn = name, trigger, fn
    def interested(self, bb):
        return self.trigger(bb.state)

def run(bb, sources, control):
    while not control.done(bb):
        ready = [s for s in sources if s.interested(bb)]   # KS自触发
        if not ready: break
        ks = control.select(ready)          # 控制壳冲突仲裁
        delta = ks.fn(bb)
        bb.write(ks.name, delta, ks.name)   # 写回黑板

黑板与Supervisor的根本差异在于触发方向反转：Supervisor由编排者主动"推"任务给工人，黑板由工人主动"拉"自己感兴趣的状态片段、自触发执行。控制壳不决定"做什么"，只决定"谁先做、冲突怎么解"（四类经典调度策略：机会触发、优先级、速率约束、冲突消解）。

优点是对"解法路径未知"的探索型任务（科研、诊断、开放式情报）表现最好，因为不需要预先知道步骤顺序；KS之间松耦合，增删专家无需改链路；天然支持增量收敛与中断恢复。缺点是状态可变带来竞态风险（需追加式日志+仲裁器），控制壳的调度策略本身就是工程难点，且对确定性任务而言是过度设计。变现评估：这是2026年最具差异化的训练营选题——"黑板架构"概念新、有论文背书、有代码可跑，能做出区别于满大街Supervisor教程的稀缺内容；客单价可对标"高级架构师"层级。它与既有的[[多智能体共享态竞态MESI破局]]形成互补：前者解决"谁触发"，后者解决"怎么不冲突"。

五、Swarm蜂群：控制权随消息迁移

Swarm（以OpenAI Swarm的handoff为代表）没有固定中心，每个智能体在响应时可以选择把整个会话控制权"移交"给另一个智能体。控制权不是由外部编排器指挥的，而是随着消息内容自然迁移的。DigitalApplied实测其配合Kimi K2.6可横向扩展到约300个智能体，这使它成为六式中弹性最好的。

def swarm(message, active, agents):
    for _ in range(MAX_TURNS):
        reply, handoff = agents[active](message)   # 当前持有者
        if not handoff:
            return reply
        active = handoff.target                     # 控制权随消息迁移
    return reply

优点是弹性极佳、扩展成本接近线性、状态随控制权自然传递无需中央汇聚；缺点是handoff决策依赖每个智能体自觉，容易出现"踢皮球"死循环（互相移交无人终结）和上下文丢失，可观测性弱于Supervisor。变现评估：适合做"开放域智能体客服/陪聊"这类角色多、流量大、单任务浅的产品形态。它不如黑板适合做高端训练营，但适合做To C规模化产品。

六、Debate辩论：用对抗换可信度

Debate让多个立场不同的智能体（正方、反方、裁判）在共享辩论场上回合交锋，最终由裁判收敛出结论。它的本质是一个"加了对抗收敛的轻量黑板"——辩论场就是共享态。DigitalApplied实测其协作税约为单模型的2.5倍，是六式中最贵的，但在高风险决策（医疗、法律、安全审查）上换来了显著更高的可信度与更低的幻觉率。

def debate(task, pro, con, judge, rounds=3):
    arena = Blackboard()                  # 辩论场=轻量黑板
    arena.write("claim", task)
    for _ in range(rounds):
        arena.write("pro",   pro(arena.read()))
        arena.write("con",   con(arena.read()))
    return judge(arena.read())            # 裁判收敛

优点是通过对抗压力暴露单智能体的隐藏幻觉，结论可信度高、可给出置信度；缺点是成本翻倍以上、延迟随轮数线性增长、且在"事实性问题"上是浪费（有标准答案时辩论无意义）。变现评估：不适合规模化产品（太贵），但极适合做成"高风险决策辅助"的高端垂直解决方案（如法律意见、医疗二诊、投资尽调），按"决策价值"而非"调用量"计价，客单价天花板最高。

协调范式架构图

flowchart TB
    subgraph 编排型["编排型：外部掌控控制流"]
        S["Supervisor<br/>中央编排者 汇聚星型"]
        P["Pipeline<br/>确定性链 线性传递"]
        R["Router<br/>分类器单跳 扇出"]
    end
    subgraph 去编排型["去编排型：智能体/共享态掌控控制流"]
        B["Blackboard<br/>共享可变态 KS自触发"]
        W["Swarm<br/>控制权随消息迁移"]
        D["Debate<br/>共享辩论场 对抗收敛"]
    end
    Task["任务输入"] --> S & P & R & B & W & D
    S -->|2026默认| Note1["可观测/可回滚<br/>爆炸半径可控"]
    P --> Note2["高吞吐/低协作税<br/>脆弱无回流"]
    R --> Note3["成本最低<br/>分类错误即失败"]
    B -->|回潮核心| Note4["解法路径未知<br/>探索型最强"]
    W --> Note5["弹性扩到300<br/>易踢皮球"]
    D --> Note6["协作税2.5×<br/>可信度最高"]
    style B fill:#ffe4b5,stroke:#d2691e,stroke-width:3px
    style S fill:#e6f3ff,stroke:#4682b4,stroke-width:2px

sequenceDiagram
    participant KS1 as 专家A(KS)
    participant BB as 黑板(共享态)
    participant CS as 控制壳(仲裁)
    participant KS2 as 专家B(KS)
    participant KS3 as 专家C(KS)
    KS1->>BB: write(片段1)
    BB->>CS: 通知状态变更
    CS->>BB: 扫描感兴趣KS
    CS->>KS2: 选中(优先级最高)
    KS2->>BB: write(片段2)
    BB->>CS: 通知
    CS->>BB: 冲突仲裁(片段2 vs 片段1)
    CS->>KS3: 选中收敛
    KS3->>BB: write(最终解)
    BB->>CS: done=true
    Note over KS1,KS3: 触发方向：KS主动拉取状态片段自触发<br/>而非编排者主动推送

选型决策矩阵

按"任务结构确定性 × 成本敏感度"两轴决策，结论可压缩为五条规则：

一个反复出现的反模式是"用Supervisor硬解探索型任务"——编排者被迫在每一步重新猜测下一个工人是谁，规划本身退化成提示词工程的黑洞，最终既没有Supervisor的可预测性，也没有黑板的探索能力。识别信号是：当你的编排者prompt里堆满了"如果上次结果是X则调用Y"的条件分支时，就是该迁往黑板的时刻。反之，"用黑板跑确定性流水线"是另一种过度设计——控制壳的仲裁开销是纯损耗。

实战延伸：黑板与现有图谱编排的边界

值得强调的是，黑板回潮并不意味着LangGraph式的确定性图编排退场。两者是互补而非替代：当业务流程是已知的、可固化的（如订单履约、报销审批），确定性图是正确选择；当问题是开放的、需要智能体自主决定下一步的（如开放式研究、根因诊断、情报综合），黑板把"下一步调用谁"的决策权从外部图下放给智能体自身的兴趣触发。2026年的成熟工程实践，是在同一系统内混合两者——外层用图固化主干流程，在关键的不确定节点内嵌一个黑板子系统，让专家智能体在共享态上自主收敛。这种"图为主干、黑板为变点"的混合架构，正是六式横评后最值得工程团队投入的方向，也是训练营叙事的最佳落点：它同时讲清了"什么时候用编排"和"什么时候放手让智能体自组织"。