定义：MoA 是 Together AI 于 2024 年 6 月在论文《Mixture-of-Agents Enhances Large Language Model Capabilities》（Junlin Wang 等）中提出的多模型协作架构——用分层结构组织多个 LLM Agent，让每一层的 Agent 都能看到上一层所有 Agent 的输出，逐层迭代精炼，最终由聚合器合成答案。仅用开源模型组合，就在 AlpacaEval 2.0、MT-Bench、FLASK 上超越了 GPT-4o 。
核心架构
用户Query
│
Layer 1: [LLM-A] [LLM-B] [LLM-C] ← Proposers（提议者），并行生成候选答案
│ （各自看到全部上层输出作为辅助上下文）
Layer 2: [LLM-A] [LLM-B] [LLM-C] ← 基于第一层的多个答案继续精炼
│
Aggregator（聚合器） ← 综合所有输出，生成最终答案
│
最终Response
- Proposer（提议层）：多个不同模型并行作答，提供多样性（不同模型的训练数据、对齐方式不同，答案互补）
- Aggregator（聚合层）：一个强模型负责"综合评判"，从多个候选中提取最优部分合成最终输出
- 层数可扩展：论文以两层为主，Genspark 后续实践证明可扩展至三层甚至更多层，跨多轮响应综合进一步提升质量
关键发现：Collaborativeness（协作性）
论文最有价值的洞察是——模型天生具有协作倾向：即使某个模型看到的其他模型输出比自己单独能产生的答案更弱，它参考这些输出后生成的答案仍然会更好。这意味着 MoA 的收益不依赖"所有成员都很强"，弱模型的多样视角也能提升整体上限。
MoA vs MoE（关键区分，别混淆）
| 层级 | 模型内部（Transformer FFN 层） | 模型之间（系统编排层） |
| 机制 | 门控网络路由 token 到不同专家网络 | 提示词/工作流调度多个完整 LLM |
| 粒度 | 神经网络参数级 | 完整模型/Agent 级 |
| 训练 | 需要联合训练 | 零训练，纯推理时编排 |
| 类比 | 一个大脑内的功能分区 | 一个团队开会讨论 |
可以理解为：MoE 是"单模型的分身"，MoA 是"多模型的合议"。MoA 名字本身就是向 MoE 致敬，把稀疏激活思想从权重层面搬到了 Agent 层面。
落地与演进
- Genspark：2025 年 1 月发布《Enhancements in Mixture of Agents》博客，将 MoA 作为其 AI 搜索核心架构（GPT 负责创造性、Claude 负责逻辑推理、Gemini 负责多模态感知的分工）；2025 年 4 月转型 Super Agent 后，在 GAIA 基准上超过 Manus 和 OpenAI Deep Research
- 吴恩达在 2025 年公开信中将其列为"并行智能体"方向的标志性工作，认为可高效并行的 Agent 数量"最终会非常庞大"
- 行业报告判断：MoA 代表的"模块化、可控性、任务解耦"多 Agent 协同模式，正逐步取代单体模型成为主流工程形态，尤其在金融等高合规场景
工程代价
- 成本倍增：一次查询 = N 个模型 × M 层调用 + 聚合，token 消耗通常是单模型的 5–10 倍
- 延迟：层间是串行依赖，总延迟 ≈ 层数 × 单层最慢模型
- 聚合器是瓶颈：Aggregator 的"判断力"决定上限，前面一堆强模型 + 一个弱聚合器 = 浪费
- 边际收益递减：论文显示 3 层之后提升趋缓，工程上一般 2–3 层封顶
MoA 实操手册：以"SA522 USB 休眠失败排查"为例
高通 SA522 平台，USB Host 模式，系统休眠唤醒后 USB 外设失效，dwc3 resume 报错。这种问题单一模型容易钻牛角尖，正好是 MoA 的主场。
Step 0 · 任务分级（先决定要不要用 MoA）
| L0 | 查寄存器定义、语法问题 | 单模型直答 | 1x |
| L1 | 常规 bug 分析、方案初稿 | 单层 MoA：3 Proposer + 1 Aggregator，无精炼层 | ~5x |
| L2 | 疑难 bug、架构决策、高风险输出 | 双层 MoA：3 Proposer → 精炼 → 聚合 | ~9x |
原则：MoA 是"合议庭"，不是日常门诊。只对错一次代价高的任务启用。
Step 1 · 选阵容（Proposer 多样性 > 个体强度）
| Proposer A | Claude | 逻辑链推理、内核代码分析强 |
| Proposer B | GPT / Gemini | 知识广度、高通平台经验覆盖 |
| Proposer C | DeepSeek / Qwen | 中文技术社区案例、不同训练分布 |
| Aggregator | 你手上最强的模型 | 判断力是上限，别省 |
关键：三个同系列模型 ≈ 一个模型，多样性才是收益来源。
Step 2 · Layer 1：Proposer 统一 Prompt（并行发三个）
【角色】你是资深 Linux 内核/USB 子系统调试专家。
【问题】SA522 平台（Android，dwc3 控制器），系统休眠唤醒后
USB Host 外设失效。Log 关键行：
[ 123.456] dwc3 a600000.usb: runtime resume failed: -110
[ 123.461] xhci-hcd: usb1: port 1 connect timeout
【要求】按分层诊断法输出：
1. 硬件层假设（供电/PHY/时钟）
2. 内核驱动层假设（runtime PM/dwc3 glue/设备树）
3. 每条的验证手段（具体命令或寄存器读取）
4. 按可能性排序，标注你的置信度
不要泛泛而谈，每条必须可执行。
拿到 A、B、C 三份独立答案。这一步不要互相可见，保证观点独立。
Step 3 · Layer 2：精炼 Prompt（互相可见，各回各家改）
把 B、C 的答案附在 A 的输入里：
【原始问题】（同上）
【你上一轮的诊断】
<A的答案>
【另外两位专家的诊断，供参考】
<B的答案>
<C的答案>
【要求】
1. 指出他人答案中你认为错误或过时的点（给出依据）
2. 吸收他人答案中你遗漏的有效假设
3. 输出修正后的最终诊断清单（保持分层结构）
注意：不要因为他人观点数量多就放弃自己的判断，
有依据的少数派意见请保留并标注。
重要——防止"多数暴力"把正确答案票掉，这是 MoA 实践中最常见的翻车点【置信度：高，来自工程实践共识】。
Step 4 · Aggregator 聚合 Prompt（最终裁判）
【原始问题】（同上）
【三位专家精炼后的诊断】
<A'> <B'> <C'>
【要求】
1. 提取三人共识 → 列为"优先验证项"
2. 冲突观点 → 不裁决，各列出验证成本，按成本从低到高排序
3. 少数派但有依据的观点 → 单列"备查项"
4. 输出格式：可勾选的排查 Checklist，
每项含 [验证手段][预计耗时][命中概率]
输出示例（截取）：
□ P0 检查 dwc3 的 wakeup interrupt 是否进 devicetree
[adb shell cat /proc/interrupts | grep dwc3][10min][高]
□ P1 确认 USB PHY 供电 LDO 是否被 suspend 关闭
[量测 LDO 输出 / 查 regulator-consumer 配置][30min][高]
□ P2 runtime PM 与系统 suspend 的竞态
[echo on > /sys/…/power/control 关 runtime PM 复测][20min][中]
…
Step 5 · 沉淀（接上你的自进化体系）
聚合结果验证完毕后，记录命中情况回知识库：
bug-2026-0720-usb-suspend-sa522.md
├── 现象 / log 指纹（供向量检索匹配）
├── MoA 合议结论
├── 实际根因：PHY LDO 在 suspend 被关 ← 命中 Proposer B 的假设
├── 各模型命中率：B✓ A✗ C✗
└── 衍生 skill：dwc3_suspend_checklist
这个"命中率记录"很关键——跑几十轮后你就有了各模型在你领域的真实能力画像，Proposer 阵容可以动态调整。这正是你要的"使用效果反馈（命中/证伪）"闭环。
无代码手动版（5 分钟跑起来）
自动化版架构（文字流程）
调度脚本（Python/Shell 均可）
├─ OpenRouter / 各家 API 统一入口 ← 一个 key 调全部模型，省接入工作
├─ 并行请求层：3 路并发调 Proposer（asyncio/多线程）
├─ 拼装层：按模板注入交叉答案，再并发一轮
├─ 聚合层：单调 Aggregator
└─ 落库层：结果 + 元数据写入你的本地知识库（SQLite + md 混合）
现成轮子：Together AI 开源了 MoA 参考实现（GitHub 搜 togethercomputer/MoA），可以直接改它的 proposer/aggregator 配置换成你的模型清单【来源：Together AI 官方 repo】【置信度：高】。
反向提醒：调试场景有个 MoA 的先天短板——三个模型可能共享同一个错误训练分布（比如都读过同一篇错误的高通文档）。所以对"禅道内部 bug 库里有答案"的问题，先检索你的离线知识库，检索不到再开 MoA 合议。知识库是"记忆"，MoA 是"会诊"，先查病历再会诊。
【来源】Together AI 论文（2024.06）、Genspark 官方博客（2025.01）、吴恩达 The Batch 公开信（2025.08）、弗若斯特沙利文金融大模型报告 【置信度】高（架构与论文事实）；中（2026 行业落地趋势判断）
