把同样一个需要 8 个专业 Agent 协作的任务，分别跑在网状、星型、层级、环形四种通信拓扑上，结论出乎很多团队的直觉：决定 token 烧得多快、延迟拖得多长的，不是 Agent 的数量，而是谁跟谁说话。全连接的网状拓扑在一轮协调里要产生 N(N−1) 条消息——8 个 Agent 是 56 条，16 个直接涨到 240 条，上下文被全量复制到每个 Agent，这就是"扁平即雪崩"。星型把扇出压回 2N，代价是编排器成为串行瓶颈；层级用深度换扇出，消息最少却逐层有损；环形消息最省，但延迟等于整链之和、一环慢全链堵。本文用一组确定性的消息复杂度模型做实测基准，给出四种拓扑在不同 N 下的消息数、token 估算、端到端延迟和单点爆炸半径，并给出选型决策。
四种主流拓扑在 2026 年的框架里都有明确对应物：网状对应 AutoGen GroupChat 与 CrewAI 无管理者协作；星型对应 LangGraph Supervisor、OpenAI Swarm 的路由器；层级对应 LangGraph Hierarchical Teams 与 CrewAI Hierarchical Process；环形对应 CrewAI Sequential 与 LangGraph 线性图。
graph TB
subgraph Mesh["网状(扁平) 扇出=N(N-1) 雪崩"]
M1((A1)) <--> M2((A2))
M1 <--> M3((A3))
M1 <--> M4((A4))
M2 <--> M3
M2 <--> M4
M3 <--> M4
end
subgraph Star["星型(编排器) 扇出=2N"]
S0(("Hub")) --> S1((A1))
S0 --> S2((A2))
S0 --> S3((A3))
S1 --> S0
S2 --> S0
end
subgraph Hier["层级(树) 扇出=2(N-1)"]
H0(("Mgr")) --> H1(("Lead1"))
H0 --> H2(("Lead2"))
H1 --> W1((W1))
H1 --> W2((W2))
H2 --> W3((W3))
H2 --> W4((W4))
end
subgraph Ring["环形(流水线) 扇出=N"]
R1((A1)) --> R2((A2))
R2 --> R3((A3))
R3 --> R4((A4))
R4 --> R1
end
网状（mesh/flat）拓扑里，每个 Agent 都能与其他所有 Agent 直接通信，消息按全连接广播扩散。一轮"每个人都把自己的中间结果告诉所有人"的协调，消息数等于完全有向图的边数 N(N−1)。这是所有拓扑里唯一一个消息数随 Agent 数平方增长的结构。AutoGen 的 GroupChat 默认把每条发言塞进所有 Agent 的历史，CrewAI 在不指定 manager 时也走类似的扁平广播。
# AutoGen 风格：扁平 GroupChat，全员互发
from autogen import GroupChat, GroupChatManager
agents = [researcher, analyst, writer, critic, fact_checker] # N=5
group_chat = GroupChat(
agents=agents,
messages=[],
max_round=6, # 一旦增大，消息数 = rounds × N(N-1)
send_introductions=True, # 每个Agent都收到所有人的自我介绍
)
manager = GroupChatManager(groupchat=group_chat)
# 问题：第6轮时，每个agent的历史里已塞入 ~6×5=30 条非自己发言
优点是延迟最低——所有 Agent 并行收发，一轮协调 ≈ 单 Agent 一次推理时间；信息冗余度高、容错好，单个 Agent 挂掉不影响其余通信。缺点是 token 成本爆炸：每条消息都带着累积上下文全量复制给 N 个 Agent，N=8 时一轮就产生 56 次上下文写入。生产环境里，单条消息若携带 2k token，一轮广播仅"互相看见"的开销就达 112k token，且随 N 二次方膨胀，这正是多 Agent 系统比单 Agent 聊天多烧 10–100 倍 token 的根因之一。
网状是"多 Agent 辩论/头脑风暴"训练营的天然卖点——能演示出热闹的群体智能，视觉冲击力强。但训练营必须配一节"成本刹车"：教 max_round 上限、发言预算（token budget per agent）、发言权裁剪（只让 top-k 相关 Agent 收到消息），否则学员把 demo 上线后会直接收到天价账单。可包装成《群体辩论 Agent 成本可控版》产品，按"辩论收敛而不发散"作为差异化。
星型（hub-and-spoke / supervisor）里，所有 Agent 只与中央编排器通信，Agent 之间不直连。编排器负责接收、压缩、再分发消息，扇出从 N(N−1) 被压缩回 2N（N 个 Agent 各上报一次，编排器各下发一次）。LangGraph 的 Supervisor、OpenAI Swarm 的 handoff 路由器都属此类。它本质上是把"广播风暴"换成了"中心压缩"——编排器充当信息漏斗。
# LangGraph 风格：Supervisor 星型，编排器裁剪上下文
from langgraph.graph import StateGraph, MessagesState
def supervisor(state: MessagesState):
# 编排器读取所有Agent结果，但只把摘要写回共享state
# 下游Agent拿到的是压缩后的summary，而非全量历史
return {"messages": [compress(state["messages"])]}
builder = StateGraph(MessagesState)
builder.add_node("supervisor", supervisor)
for name in ["research", "analyze", "write", "check"]:
builder.add_node(name, agents[name])
builder.add_edge("supervisor", name)
builder.add_edge(name, "supervisor") # 星型：都回到中心
优点是消息量线性可控、上下文被中心化压缩（编排器只把摘要再分发），token 成本最低、信息不重复。缺点是编排器成为串行瓶颈：所有协调都得经它一手，端到端延迟 ≈ N × 单 Agent 推理时间（N=8 时若每次 2s 就是 16s），且编排器是单点失效——一旦编排器挂了或路由出错，全网停摆。这恰好印证了"拓扑比数量更重要"：同样 8 个 Agent，星型比网状省 3–4 倍 token，但延迟反而更高。
星型最适合做成企业级工作流产品（RPA + LLM），因为它的可控性、可审计性最好——所有决策过编排器，便于日志、合规、回放。训练营可主打"可上生产的 Supervisor 架构"，卖点是从 demo 到 99% 可用。差异化在于编排器的压缩质量与路由准确率，可单独做成一个《Supervisor 路由调优》进阶课。
层级（hierarchical / tree）拓扑把 Agent 组织成树：一个顶层管理者把任务分给若干小组长，每个小组长再分给若干工人。消息沿树边流动，一轮协调的消息数被压到约 2(N−1)（树的总边数），与星型相当；但延迟不再是 N，而是 深度 × 单跳时间，二叉树深度为 log₂N。CrewAI 的 Hierarchical Process、LangGraph 的 Hierarchical Teams 都实现了这种"分组委派"。
# CrewAI 风格：层级 Process，逐层委派与汇总
from crewai import Crew, Process
crew = Crew(
agents=[manager, lead_research, lead_finance,
w_search, w_scrape, w_model, w_risk, w_audit],
tasks=[decompose_task, *sub_tasks, synthesize_task],
process=Process.hierarchical, # 启用树形委派
manager_llm=manager_llm,
)
# manager 只跟两个lead对话；lead各自管2个worker
# 消息复杂度 ~2(N-1)=14 条，但信息要穿透3层
优点是消息量与星型一样省、且天然支持规模扩展（子树可独立扩缩容、并行），延迟比星型更低（log₂N 跳 vs N 跳）。缺点是逐层有损：每经过一次委派/汇总，信息都被压缩一次，深度越深保真度越低（这正是"记忆即瓶颈"在多 Agent 里的放大版——共享态每多一层就多一次失真）。N=8、深度 3 时，工人层的一个关键细节传到顶层管理者可能已被压缩 3 次。此外，跨子树的信息孤岛问题突出：两个不相邻子树想共享数据，必须上溯到公共祖先再下发。
层级是大型企业多 Agent 系统的主力架构，适合做"千人级组织 Agent 中台"这类高客单产品。训练营可主打"如何设计不超过 3 层的层级架构以平衡扇出与保真"，差异化是"分层压缩策略"——教在每一层用哪种 prompt 保住关键信息。这是最容易做成咨询 + 实施的组合变现。
环形（ring / pipeline / sequential）里，Agent 按固定顺序首尾相接，任务像接力棒一样从 A1 传到 A2、再到 A3……直到 A_N 再回到起点。一轮协调的消息数仅为 N——四种拓扑里最少。代价是完全串行：端到端延迟 = N × 单跳时间，且没有并行可言。CrewAI Sequential Process、LangGraph 线性图、多数 ETL 式流水线都属此类。
# LangGraph 风格：线性流水线，串行接力
builder = StateGraph(MessagesState)
steps = ["extract", "clean", "analyze", "visualize", "report"]
for i, name in enumerate(steps):
builder.add_node(name, agents[name])
if i > 0:
builder.add_edge(steps[i-1], name) # 严格顺序
builder.add_edge(steps[-1], END)
# 消息数=N=5，但每一步必须等上一步完成
优点是消息最少、token 最省、状态流转最清晰（每一步的输入就是上一步的输出，无需广播）。缺点是延迟等于整链之和（N=8、每跳 2s 就是 16s，与星型一样慢却没有星型的并行潜力），且刚性极强——任意一环变慢或失败，整条链立刻堵死或断裂，无法绕过。环形把"扇出税"压到了最低，却把全部成本转移成了"串行延迟税"和"链路刚性税"。
环形最适合做成确定性强的流水线产品（数据处理、内容生产、报告生成），卖点是好测试、好回滚。训练营可主打"把不确定的多 Agent 变成可预测的流水线"，差异化是"步骤间契约设计"——教每一步输入输出的 schema 固化，让流水线可独立单测。这是最易工程化、最易交付的一类。
下表用确定性消息复杂度模型（非随机基准，公式可复现）测算同一 8-专业-Agent 任务在 N=4/8/16 下的指标。设单条消息上下文 ≈2k token、单 Agent 单跳推理 ≈2s。
| 拓扑 | 消息数公式 | N=4 消息 | N=8 消息 | N=16 消息 | 单轮广播 token(N=8) | 端到端延迟(N=8) | 单点爆炸半径 |
|---|---|---|---|---|---|---|---|
| 网状(扁平) | N(N−1) | 12 | 56 | 240 | ~112k | ~2s(并行) | 低(冗余高) |
| 星型(编排器) | 2N | 8 | 16 | 32 | ~32k(中心压缩) | ~16s(串行) | 高(编排器即单点) |
| 层级(树) | 2(N−1) | 6 | 14 | 30 | ~28k(逐层压缩) | ~6s(log₂N跳) | 中(子树失效) |
| 环形(流水线) | N | 4 | 8 | 16 | ~16k | ~16s(串行) | 高(一环断全断) |
读法有三条：第一，网状是唯一随 N 平方爆炸的拓扑，N 翻倍消息涨 4 倍，这就是"雪崩"的数学来源；第二，星型、层级、环形的消息数都是线性级（2N、2(N−1)、N），但各自把成本转嫁到不同维度——星型转嫁到串行延迟、层级转嫁到逐层失真、环形转嫁到链路刚性；第三，没有免费拓扑：消息省的延迟长，延迟短的失真高，失真低的爆炸半径大。选型本质是在四个税种（扇出税、串行税、失真税、刚性税）之间做取舍。
对照"17 种多 Agent 拓扑"里归纳的反模式，四种拓扑各有其招牌坑：
这些反模式的共性是：工程师凭直觉选了"最熟悉"的拓扑，却没算清该拓扑的扇出税。
一句话选型口诀：消息怕多选层级，延迟怕长别用环，可控可审选星型，热闹但贵是网状。在多 Agent 系统里，拓扑不是实现细节，而是决定 token、延迟、可靠性上限的一级架构决策——拓扑选错，后面所有优化都在还债。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。