如何在一个 Next.js 应用中编排 7 个 AI Agent（附完整代码）
本文是一篇详细的实战教程，作者分享了如何在单个 Next.js 应用中同时运行 7 个专属 AI Agent，并实现它们之间的协作与编排。
核心挑战包括：如何分配任务给不同 Agent、如何在多个并发 Agent 之间同步状态、如何优雅处理单个 Agent 的错误而不影响全局、以及如何控制并发以避免 API 限流。
作者基于 React Server Components 和 Streaming API 构建了轻量的 Agent 调度器，不依赖 LangChain 等重型框架。文章附有完整的 GitHub 代码示例，覆盖 Agent 注册、任务队列、结果聚合等核心模块，适合希望自己动手构建多 Agent 系统的开发者。
多 Agent 系统已经不再是学术概念，越来越多的开发者开始在生产环境中运行多个协作 AI Agent。但「如何在一个应用里优雅地管理 7 个 Agent」，很少有文章给出完整的工程答案。这篇教程填补了这个空白，作者从零讲起，给出可直接复用的完整代码。
为什么是 7 个 Agent？
作者并非随意选了一个数字。7 个 Agent 对应了一个典型 AI 助手产品的核心能力矩阵：**搜索 Agent**（实时信息检索）、**总结 Agent**（长文压缩）、**代码生成 Agent**（自动写代码）、**事实核查 Agent**（交叉验证结论）、**个性化 Agent**（用户偏好管理）、**任务规划 Agent**（拆解复杂目标）、**意图分类 Agent**（判断请求路由到哪个 Agent）。这 7 个角色涵盖了从感知到执行的完整 AI 工作流链路。
架构设计：调度器 + 专属 Agent
作者的核心思路是「轻量调度器（Lightweight Scheduler）+ 专属 Agent（Specialized Agent）」。每个 Agent 负责单一职责，调度器负责任务路由、状态聚合、错误隔离。整体基于 Next.js 的 React Server Components 和 Streaming Response，**不引入 LangChain、AutoGen 等重型依赖**，依赖的外部库仅有 OpenAI SDK 和 Redis 客户端。
这个选择非常务实：LangChain 的抽象层虽然功能全面，但在 Next.js 环境下与 RSC 的兼容性存在摩擦，且包体积大、调试困难。原生实现虽然需要多写几百行代码，但换来了完全可控的行为和更低的运行开销。
任务分配：基于意图分类的路由
系统入口是意图分类 Agent，它用一个轻量模型（gpt-4o-mini）对用户输入做快速语义分类，输出一个 JSON 对象，标明应该激活哪些专属 Agent 以及各自的优先级权重。核心代码约 50 行，逻辑清晰。
多个 Agent 可以**并行激活**，结果通过 Server-Sent Events（SSE）实时流式返回给前端。用户能在页面上看到各个 Agent 的进度状态和分块输出，体验类似 ChatGPT 的打字机效果，但背后是多个并发流的聚合。
状态管理：共享 Context Store
所有 Agent 共享一个全局 Context Store，基于 Redis（生产环境）或 Node.js 内存 Map（开发环境），每个 Agent 读写自己命名空间下的键值。Agent 间通过事件总线（Event Bus）传递消息，避免直接耦合——例如事实核查 Agent 完成后，会向总线发布一个事件，总结 Agent 订阅这个事件后才开始工作，自然形成了有向无环图（DAG）的执行顺序。
这个设计的好处是每个 Agent 不需要知道其他 Agent 的存在，只需要关心自己订阅的事件和发布的结果，极大降低了维护复杂度。
错误处理：熔断 + 降级
每个 Agent 都有独立的错误边界（Error Boundary），失败时降级返回默认响应而不是崩溃整个系统。作者还实现了超时熔断（Circuit Breaker）：单个 Agent 超过 10 秒未返回时，调度器自动将其标记为超时，跳过并记录告警日志，保证整体响应不会因单点阻塞而无限等待。
作者特别强调：**熔断状态需要持久化到 Context Store**，这样多个并发请求共享同一个熔断状态，避免在同一 Agent 反复出错时不断重试浪费 API 额度。
并发控制：Token Bucket 限流
面对 OpenAI/Anthropic API 的速率限制，作者基于 Token Bucket 算法实现了请求限流器，每个令牌桶对应一个模型的 API 配额。7 个 Agent 的并发请求先向令牌桶申请令牌，获得令牌后才真正发起 API 调用，超出配额的请求进入优先级队列等待，高优先级（如意图分类 Agent）的请求优先出队。
这套机制在压测下表现良好：100 个并发用户同时使用时，系统没有出现 429 错误，响应延迟也控制在可接受范围内。
前端集成：RSC + Streaming
Next.js 的 React Server Components 天然支持流式渲染，作者利用这个特性将每个 Agent 的输出封装成独立的 `<Suspense>` 块。用户看到的界面由多个独立加载的区域组成，每个区域代表一个 Agent 的输出——这比等待所有 Agent 都完成再一次性渲染的体验好得多。
工程启示
这个项目最大的价值不在于代码本身，而在于它验证了一个工程路线：**Next.js 全栈 + 原生 SSE + 轻量 Redis，足以支撑生产级多 Agent 系统**，不需要引入复杂的 Agent 框架。随着 MCP（Model Context Protocol）标准化推进，多 Agent 系统的互操作性将进一步提升，这套轻量架构的扩展空间也非常充裕。对于正在考虑构建 AI 原生产品的开发者来说，这是一份值得精读的工程参考。