从单Agent到多智能体编排：货拉拉策略复盘智能化实践

在数据驱动的业务运营中，策略上线后的效果验证一直是企业面临的核心挑战。以货运平台为例，供需关系随时间和空间剧烈波动，运营团队需要动态调整策略以提升匹配效率。然而，仅观察订单量、成交率等指标的变化，并不能准确判断策略的真实效果——季节性因素、市场趋势、同期活动都可能干扰判断。双重差分法（DID）作为一种经典因果推断方法，能够通过比较处理组与对照组在策略实施前后的差异，有效排除共同因素的干扰。但传统的DID策略复盘依赖人工在多个数据与分析工具之间切换，周期长、重复工作多、对个人经验依赖强，且难以跨场景复用。本文将分享如何借助多智能体工作流，将复杂的DID因果分析SOP转化为可执行、可追踪、可复核的自动化方案。

单Agent模式的局限与长程任务挑战

在复杂业务场景中，单一Agent往往难以稳定完成长链条分析任务。以DID策略复盘为例，这类任务具有几个显著特征：环节之间存在明确依赖关系，数据校验完成后才能进行效果估算；各环节需要共享状态，包括策略口径、样本范围、时间窗口及中间结果；部分任务可以并行执行，如不同稳健性检验和异质性分析；但错误会累积放大，任一环节的口径偏移都可能沿任务链传递并影响最终结论。此外，方法选择、异常数据处理和结论输出等关键节点都需要人工判断与复核。当我们将这些任务交给单Agent时，很快发现其表现并不稳定：任务边界在执行过程中可能悄然变化，早期目标与约束在上下文传递中逐渐弱化，不同节点基于各自理解选择方法、处理数据，最终产生互相矛盾的局部结论。因此，挑战从“Agent能否完成一次DID分析任务”转变为“Agent能否稳定、可追溯地完成长链条复盘任务”。

四种方案横向对比：Skills、SubAgent、Teams与Workflow

当前业界常见的Agent扩展方案包括Skills、SubAgents、Agent Teams和Dynamic Workflows，它们都能扩展Agent执行能力，但解决的问题并不相同。Skills更像一套可反复调用的工作规范，能够将复盘步骤、输出格式和注意事项沉淀下来，减少重复描述，但本身不负责任务调度，也不会自动建立节点之间的依赖关系。SubAgents适合将大任务拆成几个相对独立的局部任务，如单独负责取数、资料整理或结果解释，但它需要主Agent自行接收、理解和整合返回结果，如果缺少统一的输入输出规范，不同SubAgent之间仍可能出现方法、样本或时间口径不一致。Agent Teams强调多个Agent之间的持续协作，不同成员可以分别承担任务并通过共享机制推进工作，但协作过程仍依赖主导Agent的判断，任务边界和结果口径需要额外管理。Dynamic Workflows则将重点从“如何派发任务”转向“如何执行流程”，它可以预先定义节点关系、执行顺序、并行分支、状态传递和结果校验，使复杂任务按照确定的结构推进，主对话不必承载全部中间过程，后续节点可以直接读取前序节点产生的结构化结果。

落地实践：从踩坑到Workflow方案成型

在实际迭代过程中，我们先后尝试了Skills、SubAgent、Workflow等方案，并整理出三类典型问题。第一类是目标与规划类问题：Agent自行缩小了任务范围，例如任务要求判断是否需要读取候选城市数据并进行换对照检验，但Agent看到候选数据量较大后自行判断“没有必要”，直接进入下一步，导致原本要求完成的检查环节被悄然跳过。第二类是记忆与经验类问题：长任务运行过程中，取数结果、分析过程和中间结论不断进入上下文，早期提出的目标与约束容易被弱化，任务拆分后如果节点只接收局部信息，也可能无法感知前序步骤已经作出的判断，导致稳健性检验、归因分析等要求没有被完整带入最终报告。第三类是执行与工具类问题：不同节点可能基于各自的理解选择方法、处理日期或解读数据，最终产生互相矛盾的局部结论，例如方法选择节点判断应采用合成对照，但效果估算节点却直接执行DID。这三类问题的底层原因相近：计划、中间状态和校验责任都依赖主Agent在上下文中自行维护，不同子任务结果不断追加，早期目标和约束容易弱化。因此，解决问题的关键不是继续增加Agent数量，而是将复盘方法转化为一套有明确依赖关系、能够传递状态并支持结果校验的方案。

Workflow方案设计：固化方法、划分节点、状态传递

最终方案是将沉淀的复盘SOP改写成Dynamic Workflow。Workflow的核心不是替代Agent或某个专业工具，而是将复杂任务拆解为可调度、可传递、可复核的执行过程。在具体实现中，我们首先固化方法选择逻辑和数据准备流程，将结果存进状态变量；随后并行执行效果估算、稳健性检验和归因分析三个互不依赖的任务，各自结果同样存入状态变量；接着由主Agent基于这些中间结果汇总出报告，按照预设的九条规则（如置信区间、证据等级、归因区块、禁止业务建议、追问结尾等）输出；最后由独立的对抗验证Agent逐条审查报告是否违反规则，违规则触发修复后重查。这种“执行者与验证者分离”的设计确保了报告质量可控。运行过程中，方法选择和数据准备已完成，效果估算、稳健性检验和归因分析正在并行推进，节点状态、执行耗时和当前进度均可单独查看，复盘过程不再依赖Agent自行记忆和推进，关键步骤有明确位置，中间结果有固定的传递路径。最终输出的策略复盘报告涵盖效果估计、置信区间、证据等级、稳健性检验、归因分析和风险提示，对于数据缺失、检验未通过或结论可信度不足的情况，系统会明确标注并给出补充数据、重新分析或调整策略的建议。

这次实践说明，Dynamic Workflows的价值不只是拆分Agent，而是将业务方法沉淀为可执行、可追踪、可复核的任务结构。对于策略复盘这类步骤明确、依赖较多且需要质量检查的任务，Workflow能够让模型能力更稳定地嵌入业务流程。后续我们将持续完善任务状态、节点输入输出规范和结果校验流程，并计划将实践经验迁移至策略模拟仿真、业务异动归因等场景，逐步构建覆盖策略全生命周期的数据驱动Agent能力。