为什么基于画布的 Agent 编排如此重要

大多数 AI 工具都只呈现一条对话线程。你输入，模型响应，你再作出反应。这种线性模式适合简单任务，但当你需要多个 Agent 协作解决复杂问题时，它就不够用了。

线性工作流的问题

设想一个典型的开发场景：你需要一个 Agent 生成代码，另一个审查，第三个写测试，第四个处理部署配置。在基于聊天的界面里，你得来回切换多个窗口，手动复制输出，最后还记不清是谁生成了什么。

这不是工作流。这只是权宜之计。

用空间推理协调 Agent

基于画布的编排采取了完全不同的方法。每个 Agent 都作为一个图块存在于无限画布上。你可以同时看到它们，画出输入和输出之间的连接，并实时观察数据如何在系统中流动。

空间布局不只是装饰，它编码了 Agent 之间的关系：

• 接近 表示相关性 - 处理同一子系统的 Agent 会聚在一起
• 连接 定义数据流 - 一个 Agent 的输出进入另一个 Agent 的输入
• 位置 提供记忆 - 你回到画布时，马上就能想起架构

为什么这对 agentic development 很重要

当 Agent 能通过明确的路由路径看到彼此的输出时，它们会做出更好的决策。一个代码审查 Agent 如果同时收到原始规格和生成后的代码，会比只看到代码本身给出更相关的反馈。

基于画布的编排把这些关系变得明确且可编辑。你不是在写 YAML 配置文件，也不是在代码里定义流水线。你是在摆放图块、画连线，就像你在白板上草绘系统一样。

我们在构建 MadoHub 时学到的东西

经过几个月的内部测试，我们总结出几个模式：

1. 小而专注的 Agent，胜过大而通用的 Agent。 画布让任务拆分变得自然，因为加一个新图块的成本很低。
2. 可视化调试更快。 当输出看起来不对时，你可以沿着连接往回追，找到是哪个 Agent 产生了错误输入。
3. 团队会收敛到共享布局。 画布会变成一张活的架构图，每个人都能阅读和修改。

从线性聊天切换到空间画布，不是渐进式的提升。它改变的是你思考 Agent 协作的方式，而这会改变你能构建出什么。