用研究智能体与写作智能体串行协作完成博客生成

方案简介

这是一个基于 Swarms 的串行多智能体协作方案，用两个 Agent 将“研究”和“写作”拆成连续阶段。第一个 Agent 负责研究给定主题并输出详细摘要，第二个 Agent 接收研究摘要并写成完整博客文章；SequentialWorkflow 负责把前一阶段的输出传递给后一阶段。该方案适合需要先整理资料、再生成内容的任务，例如 README 示例中的“人工智能的历史与未来”主题。它展示了 Swarms 如何把多个自主 Agent 组织成可运行的工作流，而不是让单个 Agent 独立承担全部任务。

亮点与能力

• 由多个 Agent 共同完成一个任务。
• 研究和写作分成两个职责明确的阶段。
• 研究 Agent 输出详细主题摘要。
• 写作 Agent 根据研究摘要生成博客文章。
• 使用 SequentialWorkflow 串行编排 Agent。
• 研究者输出自动作为写作者输入。
• 通过 workflow.run 对完整流程提交一个任务。

组成与分工

• Swarms：提供 Agent 与 SequentialWorkflow，实现多智能体编排。
• Agent：分别承担研究和写作任务，并由模型驱动。
• Researcher：按照系统提示研究主题并提供详细摘要。
• Writer：接收研究摘要，撰写具有吸引力的博客文章。
• SequentialWorkflow：按顺序运行 Agent，并把研究输出馈送到写作输入。
• GPT-5.4：示例中为研究者和写作者指定的模型。

前置要求

需要准备 Python 环境、Swarms 包，以及模型调用所需的 API 配置。README 推荐使用 uv 安装：

$ uv pip install swarms

也可以使用 pip：

$ pip3 install -U swarms

如果从源码安装，可执行：

# Clone the repository
$ git clone https://github.com/kyegomez/swarms.git
$ cd swarms
$ pip install -r requirements.txt

README 的环境配置示例包括模型 API Key 和工作目录：

OPENAI_API_KEY=""
WORKSPACE_DIR="agent_workspace"
ANTHROPIC_API_KEY=""
GROQ_API_KEY=""

实施步骤

1. 安装框架

使用 uv、pip 或源码方式安装 Swarms。推荐命令如下：

$ uv pip install swarms

2. 配置模型访问环境

根据实际使用的模型配置 API Key。仓库提供了 OPENAI_API_KEY、ANTHROPIC_API_KEY 和 GROQ_API_KEY 等变量示例，并提供 WORKSPACE_DIR 作为工作目录配置。

3. 创建研究 Agent

导入 Agent，设置名称为 Researcher，并通过 system_prompt 明确其职责是研究主题、提供详细摘要；模型设置为 gpt-5.4。

4. 创建写作 Agent

创建第二个 Agent，命名为 Writer，将系统提示设为根据研究摘要撰写博客，同样使用 gpt-5.4。

5. 组装并运行串行流程

将两个 Agent 按研究者、写作者的顺序传入 SequentialWorkflow，调用 workflow.run 提交主题，并打印返回的最终文章。

使用与配置要点

完整使用方式如下：

from swarms import Agent, SequentialWorkflow

# Agent 1: The Researcher
researcher = Agent(
    agent_name="Researcher",
    system_prompt="Your job is to research the provided topic and provide a detailed summary.",
    model_name="gpt-5.4",
)

# Agent 2: The Writer
writer = Agent(
    agent_name="Writer",
    system_prompt="Your job is to take the research summary and write a beautiful, engaging blog post about it.",
    model_name="gpt-5.4",
)

# Create a sequential workflow where the researcher's output feeds into the writer's input
workflow = SequentialWorkflow(agents=[researcher, writer])

# Run the workflow on a task
final_post = workflow.run("The history and future of artificial intelligence")
print(final_post)

日常使用时，主要修改 workflow.run 的主题文本，以及两个 Agent 的 system_prompt。验证成功的标志是 final_post 返回并被打印为最终博客内容；流程顺序应保持研究者在前、写作者在后。

注意事项与常见问题

• 该示例是串行流程，写作阶段依赖研究阶段的输出。
• 两个 Agent 的职责通过 system_prompt 明确区分，修改提示词时应保持前后阶段的输入输出关系。
• README 同时提供了 max_loops="auto" 的自主 Agent 模式，并指出开放式、多步骤任务适合自动循环；本串行示例没有配置该参数。
• 对延迟敏感或成本敏感的生产流程，README 建议使用固定的 max_loops；对步骤数量取决于中间结果的工作流，才适合自动循环。

优缺点

• ✓ 研究与写作职责分离
• ✓ 输出按顺序自动传递

出处

本方案挖掘自开源项目 kyegomez/swarms，方案内容与实施命令均来自其 README 原文。