Skip to content

Voting Pattern（投票决策模式）

多个 Agent 独立处理相同输入并投票，通过多数票、加权票或全票一致的策略聚合结果。

适用场景

  • 架构或技术决策——需要不同专家视角（安全、性能、可维护性）
  • 多准则评估——利益相关者有不同专业等级和权重
  • 共识建立——需要多方独立确认
  • 风险评估——独立审查员检查不同关注点
  • 最佳实践验证——多个 Agent 按不同标准检查合规性

不适用场景

  • 时间敏感的决策——并行投票仍需所有投票者完成后才能聚合
  • 简单的二选一——微小决策不需要多个 Agent 的开销
  • 需要辩论时——如果投票者需要争论并相互影响，使用 Debate 模式
  • 单一专家意见足够时——不要为一个人能做的决定添加开销

架构图

graph TD
    START --> broadcast{广播给所有投票者}
    broadcast -->|Send| voter1[投票者 1<br/>CTO]
    broadcast -->|Send| voter2[投票者 2<br/>安全专家]
    broadcast -->|Send| voterN[投票者 N<br/>运维负责人]
    voter1 --> aggregator[聚合器]
    voter2 --> aggregator
    voterN --> aggregator
    aggregator --> END

核心概念

Voting Pattern（投票决策模式） 专为需要收集和综合多方独立观点的决策场景设计。与 Debate 的区别：Debate 中 Agent 来回辩论，立场相互影响；Voting 中 Agent 先独立得出结论——没有跨 Agent 影响。

核心特点： - 广播 fan-out：通过 LangGraph 的 Send API 同时向所有投票者发送相同输入 - 独立决策：每个投票者在不知道他人选择的情况下独立分析问题 - 多种聚合策略： - majority：简单计票 - weighted：按投票者的专业度/相关性加权 - unanimous：全员同意，否则产出修订建议

快速开始

cd patterns/voting
python example.py

核心代码

def _broadcast(self, state: VotingState) -> list[Send]:
    """分发：一个 Send 对应一个投票者，并行执行"""
    return [
        Send("voter", {
            "voter_name": voter["name"],
            "voter_expertise": voter["expertise"],
            "question": state["question"],
        })
        for voter in state["voters"]
    ]

工作流程

  1. 广播：图将同一问题同时分发给所有投票者
  2. 并行投票：每个投票者独立分析问题并做出决策
  3. 聚合：聚合器收集所有投票，按选定策略产出最终决策

配置参数

参数 默认值 说明
model gpt-4o-mini LLM 模型名称
llm None 预配置的 LLM 实例
voting_strategy majority 策略：majority、weighted 或 unanimous

与其他模式对比

维度 Voting Debate Reflection Hierarchical
Agent 关系 独立 对抗性 自我评审 Manager-Worker
轮数 1（并行） 多轮 多轮 1（并行 Worker）
跨 Agent 影响 无 直接 自我 无
聚合方式 计票 Moderator 自我 Manager 综合
最佳场景 决策制定 冲突解决 质量提升 多维度研究