【第5章 AI Agent 与工具调用】5.7 章节实战（二）：多Agent协作的信息抽取系统

写在前面

在真实业务场景中，信息抽取往往不是单一模型能够“一键完成”的任务。面对海量、多源、跨领域的文本数据，单体的抽取模型往往面临 **性能瓶颈**、**可维护性差**、**扩展困难** 等问题。于是，**多 Agent 协作**（Multi‑Agent Collaboration） 成为了一种被广泛讨论的解决方案。本节将通过一个完整可运行的 Python 示例，展示如何利用 **AI Agent** 框架，实现一个 **多Agent协作的信息抽取系统**。我们将从需求背景、架构设计、代码实现、运行测试以及常见坑点四个维度进行详细阐述，帮助读者快速上手并在实际项目中落地。

> **温馨提示**：本节提供的代码已在 Python 3.10+ 环境下通过测试，所有依赖均为标准库，直接运行即可看到效果。若你在本地运行出现 ImportError，极有可能是 Python 版本低于 3.10，请升级后再试。

---

一、为什么需要多Agent协作进行信息抽取

1. **任务分工与专业化**  
   信息抽取包含实体识别、关系抽取、事件抽取、指代消解等多个子任务。每个子任务对 **特征、模型、规则** 的需求不尽相同。单一 Agent 若要兼顾所有功能，往往会导致模型体积臃肿、推理速度慢、准确率下降。而多 Agent 可以让 **Person Agent**、**Location Agent**、**Date Agent** 等各自聚焦最擅长的模式，实现**专业化**。

2. **并行化提升吞吐量**  
   多 Agent 可以在 **进程 / 线程** 层面并行处理不