会话派与状态派：多智能体协调

把 2026 年市面上一打多智能体框架的外壳剥掉，剩下的其实是一个 40 年前就被分布式系统吵过一遍的老问题：多个执行单元之间，到底靠"传消息"对齐，还是靠"读写同一块共享状态"对齐？ 这就是经典的"消息传递 vs 共享内存"之争，只是这一次执行单元从进程变成了大模型 Agent。AutoGen、OpenAI Swarm/Agents SDK 的 Handoff 属于会话派——对话历史本身就是状态，谁拿到话筒谁说了算；LangGraph、MetaGPT、LlamaIndex Workflow 属于状态派——一个显式 State 对象加上一张控制流图才是唯一真相。第三方研究机构 Presenc AI 汇总的 2026 年第一季度生产部署份额给出了裁决方向：状态派旗舰 LangGraph 独占约 38%，自定义状态图编排再吃 28%，而会话派旗舰 AutoGen 仅 9%、Swarm 跌到 2%。本文拆解这两条哲学路线的内核、典型实现、塌方临界点，以及它们为何在 2026 年开始互相吞噬对方。

一、两派多维度对比

二、世纪之争的 Agent 化：为什么是这两派

维度	会话派（消息传递）	状态派（共享状态）
状态载体	对话历史 / 消息流	显式 State 对象 + reducer
决策权归属	谁拿话筒谁决定，涌现	编译期冻结的边 + 运行时路由函数
典型框架	AutoGen GroupChat、Swarm/Agents SDK Handoff、CrewAI delegation	LangGraph StateGraph、MetaGPT SOP、LlamaIndex Workflow、CrewAI Flow
可观测性	消息日志（事后拼）	原生 trace + checkpoint 快照
可重放性	弱（同输入不同轮次漂移）	强（状态快照可时间旅行）
学习曲线	低（像聊天）	中高（要懂图与 reducer）
Q1'26 生产份额	~11%（AutoGen 9%+Swarm 2%）	~66%（LangGraph 38%+自定义 28%）
最易塌方点	绕圈、说话税、共识幻觉	图爆炸、reducer 冲突、编排税

把视角拉高，这场分歧根本不是框架设计者的偏好，而是被 LLM 这个执行单元的物理特性逼出来的。LLM 的输入是一个扁平的 token 序列，这意味着"协调信息"必须先被压成一段自然语言，才能进入任何 Agent 的脑子。于是设计者只有两条路：要么让协调信息一直在 Agent 之间以自然语言流动（每条消息都是一次完整的"状态广播"，会话派），要么让协调信息沉淀在一个结构化对象里，Agent 每次只读自己需要的那几个字段，写回时由 reducer 合并（状态派）。前者把分布式系统里的 actor 模型 / CSP 用自然语言重新实现了一遍，后者把"共享内存 + 互斥"用 StateGraph 重新实现了一遍。理解了这一层，你就能解释为什么 AutoGen 的核心抽象叫 GroupChat，而 LangGraph 的核心抽象叫 StateGraph——一个是客厅，一个是数据库。

三、会话派代表 AutoGen GroupChat：对话即状态

AutoGen 0.4 的核心是 RoundRobinGroupChat 与 GroupChatManager，turn-taking 由 manager 调度，所有 Agent 共享同一条消息流：

from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.agents import AssistantAgent

coder = AssistantAgent("coder", model_client=mc,
    system_message="You write Python. Output a single function.")
reviewer = AssistantAgent("reviewer", model_client=mc,
    system_message="You review code. Approve or reject with reasons.")

team = RoundRobinGroupChat([coder, reviewer], max_turns=4)
result = await team.run(task="Write a function that parses ISO 8601 dates.")

代码极其直觉——这正是一切会话派的魅力与诅咒。魅力在于低门槛、涌现性强，"写代码—评审—改"这种自然反馈环几乎零配置。诅咒在于状态只有一个副本（那条消息流），而且它在不断膨胀：第 N 轮时每个 Agent 都要把前 N-1 轮的全部历史塞进上下文，这正是已被反复实测的"说话税"与"循环二次方烧钱"的根源。max_turns=4 这种硬截断几乎是工程师对会话派"会绕圈"本能的防御。会话派最适合 2–4 个 Agent、明确收敛标准（如"评审通过"）的短链路任务；一旦 Agent 数量或轮次上量，协调成本就以平方级失控。

四、状态派代表 LangGraph StateGraph：图即状态

LangGraph 把工作流建模成有向图，节点是函数，边是条件路由，状态由带 reducer 的 TypedDict 累积，关键杀器是 checkpointer：

class AgentState(TypedDict):
    messages: Annotated[list, add_messages]
    next: str

graph = StateGraph(AgentState)
graph.add_node("planner", planner)
graph.add_node("researcher", researcher)
graph.add_edge(START, "planner")
graph.add_conditional_edges("planner", lambda s: s["next"])
app = graph.compile(checkpointer=...)   # SQLite/Postgres/Redis

这里"协调信息"从不以自由对话形式存在——next 字段决定下一跳，messages 由 add_messages reducer 幂等合并。决策权在编译期就冻结进图的拓扑，运行时只是沿着边走。checkpointer 把每个节点的出入口状态落盘，于是 LangGraph 天然支持"任意分支点时间旅行调试"和"暂停等人审批后恢复"——这两个恰恰是会话派最难补的生产特性。状态派的代价同样明确：图爆炸。当条件边一多，维护这张状态机的认知负担会迅速超过它带来的可控性收益，这解释了为什么 28% 的团队宁可自己写一份更简单的自定义状态编排，也不愿扛下 LangGraph 全套抽象。

五、接力派 Swarm/Agents SDK：控制权随话筒转移

OpenAI 2024 年 10 月放出的 Swarm 是会话派的一个极致纯化分支——只有两个概念：Agent 和 Handoff。它不维护任何服务端状态，构建在无状态 Chat Completions API 之上，Agent 把控制权和上下文一起 handoff 给下一个 Agent。2025 年的 Agents SDK 把这套思想生产化，补上了 Agent Loop、Tracing、Guardrails 与 Pydantic 类型校验：

# Agents SDK：handoff 是一等公民，控制权在 Agent 间转移
triage = Agent(name="triage", handoffs=[billing, technical])

handoff 的本质是"会话派的状态转移原语"：谁握着话筒，谁就是当前唯一的协调中心；交出话筒等于交出全部协调权。这条路的好处是无中心、轻量、对 2–3 个 Agent 的窄流程极其顺滑；坏处是 OpenAI 自己都标注"实验性，勿用于生产"，Q1'26 份额仅 2%。它真正的归宿是被当教学参考——理解 handoff 这个原语，比真拿 Swarm 上线重要得多。Agents SDK 的 Tracing+Guardrails，本质就是会话派向状态派"借"可观测与可校验这两件生产必需品。

六、SOP 派 MetaGPT：把对话钉成状态流水线

MetaGPT 走了第三条更激进的路——它不信任 Agent 的自由对话，而是用标准化操作流程（SOP）把整个协作预先脚本化。Agent 被赋予产品经理、架构师、工程师这类角色，严格按 SOP 流转，配合共享记忆池同步。这等于把"会话派"的灵活性主动阉割，强行投影到"状态派"的确定性流水线上：输出的是需求文档、系统设计图这类高质量结构化产物，逻辑错误率显著降低。MetaGPT 揭示了一个被多数框架回避的事实——协调的可控性，本质来自对"自由对话"的约束程度。你越想让 Agent 自由涌现，协调越昂贵、越不可预测；你越把流程钉死，产出越稳但越像传统工作流。SOP 派是这条连续光谱上"靠近状态端"的极端样本，适合需要高质量可交付物（代码、文档、架构图）的复杂生产任务。

七、2026 的互相吞噬：两派正在向中间收敛

最有意思的现象是两派不再各走极端，而是互相吸收对方基因。CrewAI 1.0（2025 年 4 月）原本是典型的角色驱动会话派，却加入了图式 API Flow，提供 LangGraph 式的分支能力；反过来，LangGraph 也在吸收 handoff，让状态图里的节点可以把控制权"转移"出去。LlamaIndex 则祭出事件驱动的 Workflow，介于"消息总线"和"状态图"之间。这种收敛说明一个共识正在成型：纯会话派太贵太飘，纯状态派太硬太重，生产级系统需要在两端之间找平衡点——而那个平衡点，越来越偏向状态端。收敛的方向本身就构成证据：会话派在往状态派方向改造自己（补 trace、补 checkpoint、补图），而状态派只是顺手吸收了 handoff 这种轻量原语。哪一边在主动求变，哪一边就是弱势方。

八、生产裁决：可观测、可重放、可审计三性定胜负

为什么状态派在生产端碾压会话派（38%+28% 对 9%+2%）？答案是生产系统对可观测、可重放、可审计这三性的刚性需求。会话派把状态藏在不断膨胀的消息流里，调试时只能事后翻日志"拼"出当时谁说了什么，同一个输入重跑会因 turn-taking 漂移得到不同结果；而状态派的 checkpointer 给出的是逐节点快照，任何分支点都能时间旅行回放，审计员能看到每一步的精确状态转移。在金融、医疗这类监管行业，"可解释 AI 如何得出结论"是不可谈判的——LangGraph 的显式图+审计轨迹天生满足，会话派的涌现对话根本过不了合规关。一家印度集成商的实战结论很直白：用 CrewAI 或 AutoGen 起步的项目，迁向生产时几乎都会迁移到 LangGraph，"初期的速度优势在需要精确控制、错误处理和规模化可观测时迅速蒸发"。

九、真正的胜负手：架构只排第四变量

但把镜头拉远，最反直觉的发现来自 Presenc AI 的总结：框架选择充其量是第四位成功因素。排在前面的三个是——底层模型选型（强模型+糙框架 > 弱模型+精框架）、评估基建（回归测试、trace 回放、生产采样）、人审闸门设计（哪里要人批、哪里放 Agent 自治）。这意味着，与其纠结"会话派还是状态派"，不如先把这三件事做扎实。还有一个常被忽视的前提：70% 的生产用例，一个带工具调用的单 Agent 就够了，多智能体只在真正需要角色专业化（不同领域不同 Agent）、评审闭环（一个生成一个校验）、复杂分支循环时才有正向收益。会话派与状态派之争，本质上是在那 30% 真正需要多 Agent 的场景里，为"可控性 vs 灵活性"做权衡——而在做出这个权衡之前，先确认你是不是真的需要多 Agent。

十、协调基质光谱与数据流

flowchart LR
    subgraph 会话派["会话派（消息传递）"]
        A1[Agent A] -- 消息 --> A2[Agent B]
        A2 -- 消息 --> A3[Agent C]
        A3 -- 消息 --> A1
        S1[("消息流\n=唯一状态\n不断膨胀")]
        A1 -.读写.- S1
        A2 -.读写.- S1
        A3 -.读写.- S1
    end
    subgraph 状态派["状态派（共享状态）"]
        G["StateGraph\n编译期冻结"]
        N1[planner] -- next --> N2[researcher]
        N2 -- reducer --> N3[writer]
        S2[("State 对象\n字段化\n可快照")]
        N1 -.读写.- S2
        N2 -.读写.- S2
        N3 -.读写.- S2
        G -.checkpointer.- S2
    end

flowchart TD
    C[协调基质光谱] --> P1["纯会话端<br/>Swarm Handoff · 2%"]
    C --> P2["会话为主<br/>AutoGen GroupChat · 9%"]
    C --> P3["混合<br/>CrewAI Flow/Agents SDK · 12%"]
    C --> P4["状态为主<br/>自定义编排 · 28%"]
    C --> P5["纯状态端<br/>LangGraph/MetaGPT SOP · 38%%+"]
    style P5 fill:#cfe8cf
    style P1 fill:#f4cccc

光谱图揭示的相变很清晰：越是靠近状态端，Q1'26 生产份额越高；越是靠近纯会话端，越是退守到教学与原型。会话派不是"错"，而是它把协调成本的账单推迟到了规模化阶段才一次性兑现。

十一、按场景的推荐决策

把所有维度收拢成一句话：会话派赢在原型期的直觉与涌现，状态派赢在生产期的可观测与可审计；而决定你能不能上生产的，从来不是你选了哪派，而是你有没有把模型选型、评估基建和人审闸门这三件底层功夫做扎实。