最近在整理 Agent 项目时我发现一个很常见的需求同一个任务里大家希望 OpenAI 做方案发散DeepSeek 做中文场景下的逻辑推理Claude 做长文本理解和总结。但每次切换模型都要复制粘贴上下文效率很低而且也没有统一的地方管理每个模型的 Prompt 和角色任务。直到把多个 Agent 放进同一个群聊工作区里让它们分别由不同模型驱动并以独立身份围绕同一个任务协作整个流程才变得顺手起来。本文会围绕 HStudio 这个多 Agent 编排工作台展开先讲清楚 Agent、Harness、模型服务这几个容易混淆的概念再分别接入 OpenAI、DeepSeek、Claude 三种模型服务给每个 Agent 设置独立的角色与任务最后通过一个“产品评审群聊”的实战案例把整个流程串起来。文章适合正在做 Agent 开发、想统一管理多个模型服务、或者对多 Agent 协作感兴趣的开发者。1. 为什么要做多 Agent 群聊背景与核心概念1.1 从单模型对话到多 Agent 协作过去我们使用大模型的方式通常是“单模型 单角色”。比如打开 ChatGPT 提问或者通过 API 调用 Claude 做文本总结本质上都是在一个独立会话里连续问答。这种方式有几个明显局限上下文切换成本高同一个问题想分别问 OpenAI、DeepSeek、Claude就需要在不同界面或不同代码里粘贴同样的上下文既容易遗漏也浪费时间。缺乏角色隔离在单模型对话里你让模型“先当产品经理再当开发负责人”模型确实可以切换但历史上下文会混在一起角色边界容易模糊。无法并行协作真实项目里产品经理、后端工程师、测试专家需要围绕同一份需求反复讨论。单模型对话很难模拟这种“多视角互相质询”的协作过程。多 Agent 群聊的基本思路就是让多个具备独立角色、独立系统提示词、甚至由不同大模型驱动的 Agent在同一个会话工作区内协作。每个 Agent 只关注自己的任务消息在一个共享空间里流转最后由主持人或指定 Agent 收敛出结论。这种方式更接近真实团队的工作方式也能发挥不同模型的差异化优势。1.2 HStudio 是什么HStudio 可以理解为一个面向 AI Agent 开发与编排的集成工作台社区里也常把它称为 Agent 托管工作台。它解决的问题很简单当你有多个模型服务、多个角色、多个任务需要统一管理时不再靠零散的脚本和手动复制上下文而是通过可视化界面或配置文件创建 Agent、绑定模型、定义任务然后在一个群聊工作区里观察多个 Agent 的协作过程。从使用方式来看HStudio 通常包含三部分Agent 管理面板创建和编辑 Agent配置系统提示词、模型端点、温度、上下文长度等参数。会话工作区用于发起群聊或任务流多个 Agent 在这里接收消息、发言、互相调用。资源与密钥管理统一存放 OpenAI、DeepSeek、Claude 等服务的 API Key 和基础配置避免把密钥散落在代码里。需要注意的是HStudio 不同版本在界面布局和功能命名上可能有差异但核心逻辑是一致的创建 Agent、绑定模型、分配任务、查看协作结果。下面所有实操都会围绕这条主线展开。1.3 Agent、Harness、模型服务的区别这三个概念在相关搜索里出现频率很高也是新手最容易混淆的地方。模型服务指 OpenAI、DeepSeek、AnthropicClaude这类大模型 API 服务。它们负责接收输入文本并生成回复。你可以把它们理解为“大脑”。Agent一个 Agent 是“模型服务 系统提示词 运行参数 工具能力”的组合。同一个模型服务可以驱动多个 Agent比如用 DeepSeek 同时驱动“技术负责人 Agent”和“代码审查 Agent”它们只是提示词和任务不同。HarnessHarness 指运行 Agent 的“外壳”或“执行环境”。它负责管理模型调用循环、工具调用、上下文窗口、错误恢复等逻辑。AI Agent 开发里的 Harness 类似于“发动机舱”Agent 是驾驶员模型服务是发动机。HStudio 这类工具的核心能力之一就是提供了一套便于编排多个 Agent 的 Harness 环境。区分这三者之后再理解“在 HStudio 上做多 Agent 群聊”就简单了你是在用 HStudio 的 Harness 编排多个 Agent让它们分别调用 OpenAI、DeepSeek、Claude 等模型服务并以独立身份参与群聊。2. 环境准备2.1 环境清单本机环境以常见的开发机为例重点演示配置思路具体版本请按你的实际环境调整操作系统Windows 10/11、macOS 或主流 Linux 发行版均可。Python建议使用 3.10 及以上版本用于编写编排脚本和安装 SDK。Node.js可选如果 HStudio 是基于 npm 安装的桌面端或 CLI 工具需要 Node.js 16 以上。HStudio安装方式以你获取到的版本说明为准常见方式是桌面端安装包或 npm 全局安装。模型 API Key分别准备 OpenAI、DeepSeek、Claude 的 API Key。2.2 获取 OpenAI、DeepSeek、Claude 的 API Key这一步是后续所有配置的基础。无论使用哪个平台都必须在官方开发者平台注册账号然后创建 API Key。OpenAI API Key在 OpenAI 开发者平台注册后进入 API Keys 页面创建。Key 的格式通常以sk-开头。注意OpenAI 的 API Key 只在创建时完整显示一次务必立即保存。DeepSeek API Key在 DeepSeek 开放平台注册后进入 API Keys 页面创建。DeepSeek 的接口兼容 OpenAI 格式所以它的 Key 也可以直接放在 OpenAI SDK 的api_key参数中。Claude API Key在 Anthropic Console 注册后创建。Claude 的 API 与 OpenAI 不完全兼容需要使用 Anthropic 官方 SDK 或兼容层。部分地区新用户注册时会看到 “Claude is not available to new users” 的提示这是平台的服务开放策略限制需要确认你的账号所属地区是否在支持范围内。上面这三个 Key 都属于敏感凭据。所有教程中的示例都建议通过环境变量加载不要硬编码到代码或配置文件里更不要提交到 Git 仓库。2.3 安装 HStudio 与 Python SDK如果你拿到的是 HStudio 桌面端安装包直接按系统对应版本安装即可。如果你拿到的是 CLI 工具可以按官方文档执行安装命令。下面给出一个通用的 Python SDK 安装示例用来在脚本中调用不同模型服务。# 创建虚拟环境推荐 python -m venv .venv source .venv/bin/activate # Windows 下执行 .venv\Scripts\activate # 安装 OpenAI SDK 和 Anthropic SDK pip install openai anthropic python-dotenv说明一下这里为什么需要两个 SDKOpenAI 官方 SDK 可以同时调用 OpenAI 和 DeepSeek因为 DeepSeek 的接口兼容 OpenAI 协议Anthropic 家的 Claude 走的是独立协议所以需要单独安装anthropicSDK。为了统一管理密钥我们在项目根目录创建.env文件OPENAI_API_KEY你的OpenAI_Key DEEPSEEK_API_KEY你的DeepSeek_Key ANTHROPIC_API_KEY你的Claude_Key然后在代码里用python-dotenv加载import os from dotenv import load_dotenv load_dotenv() openai_api_key os.getenv(OPENAI_API_KEY) deepseek_api_key os.getenv(DEEPSEEK_API_KEY) anthropic_api_key os.getenv(ANTHROPIC_API_KEY)这样后续创建 Agent 时就不需要在代码里出现明文密钥了。3. 三个模型服务的接入要点3.1 OpenAI 模型接入OpenAI 的接入最直接。如果你使用官方 SDK示例代码如下from openai import OpenAI client OpenAI( api_keyos.getenv(OPENAI_API_KEY), ) response client.chat.completions.create( modelgpt-4o-mini, messages[ {role: system, content: 你是一个产品经理。}, {role: user, content: 请分析这个需求的用户价值。}, ], temperature0.7, ) print(response.choices[0].message.content)这里有几个关键点model参数要填你账号有权限访问的模型名称。不同账号可用的模型列表可能不同建议在平台模型列表里确认。temperature控制随机性。做发散讨论可以设高一点0.8 左右做代码审查和事实判断设低一点0.2 左右。messages里的system消息承载 Agent 的系统提示词是实现“角色身份”的核心位置。3.2 DeepSeek 模型接入DeepSeek 接入的核心是base_url地址。由于 DeepSeek 兼容 OpenAI 协议你可以直接复用openaiSDK只是把base_url改为 DeepSeek 的服务地址。from openai import OpenAI deepseek_client OpenAI( api_keyos.getenv(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com, ) response deepseek_client.chat.completions.create( modeldeepseek-chat, messages[ {role: system, content: 你是一个资深后端技术负责人。}, {role: user, content: 请评估这个需求的接口设计。}, ], temperature0.5, ) print(response.choices[0].message.content)这里需要注意虽然接口格式兼容但 DeepSeek 并不是 OpenAI它们的模型能力边界、上下文窗口、计费规则都不同。在 HStudio 里配置 DeepSeek Agent 时本质上就是填入这个base_url和对应的模型名。3.3 Claude 模型接入Claude 的 API 协议与 OpenAI 不同需要单独使用 Anthropic SDK。import anthropic claude_client anthropic.Anthropic( api_keyos.getenv(ANTHROPIC_API_KEY), ) response claude_client.messages.create( modelclaude-3-5-sonnet-latest, max_tokens1024, system你是一个测试专家擅长从边界条件和异常场景角度提出问题。, messages[ {role: user, content: 请针对这个需求设计测试用例。}, ], ) print(response.content[0].text)注意两个细节system参数直接传入系统提示词而不像 OpenAI 风格那样放在messages里。messages里的消息角色通常只有user和assistant没有 OpenAI 风格的system角色。如果你需要在 HStudio 里接入 Claude正确做法是在 Agent 配置里选择 Claude 模型端点并填入 Anthropic 的 API Key同时注意 Agent 配置模板里的系统提示词字段会被映射到system参数。3.4 API 协议兼容性对比整理成一张对比表方便后续配置时查阅服务API 风格需要安装的 SDKsystem 提示词位置OpenAIOpenAI 原生openaimessages 中的 system 角色DeepSeek兼容 OpenAIopenaimessages 中的 system 角色ClaudeAnthropic 原生anthropicsystem 参数这张表的实际意义在于你在 HStudio 中给 Agent 配置不同模型时需要明确当前 Agent 绑定的模型所属协议才能选择正确的接入方式。HStudio 如果内置了模型网关通常会把这种差异屏蔽掉但底层原理仍然是这三条接入路径。4. 实战在 HStudio 中创建多 Agent 群聊4.1 场景设计产品评审群聊为了完整演示多 Agent 群聊我们设计一个“产品评审会”场景。假设团队要做一个“基于 AI 的周报自动生成工具”需要三个角色参与评审产品经理 Agent由 OpenAI 驱动负责梳理用户场景、功能优先级和商业价值。技术负责人 Agent由 DeepSeek 驱动负责评估技术可行性、接口设计和系统复杂度。测试专家 Agent由 Claude 驱动负责从边界条件、异常场景、数据安全角度提出质疑。这三个 Agent 在同一个会话工作区内围绕需求展开讨论。产品经理先提方案技术负责人提出实现层面的约束测试专家再指出测试与风险点最后产品经理整合意见输出结论。这样能比较直观地展示不同模型在各自角色上的表现。4.2 在 HStudio 中创建 Agent 角色与任务打开 HStudio 的 Agent 管理面板创建第一个 Agent。不同版本的字段命名可能略有差异但核心配置项是相通的。下面以常见配置为例。Agent 名称产品经理-OpenAIname: product_manager_openai display_name: 产品经理 Agent model_provider: openai model_name: gpt-4o-mini system_prompt: | 你是一位资深产品经理擅长从用户需求、业务价值和产品优先级角度分析问题。 在评审讨论中你的任务是 1. 明确目标用户和核心使用场景。 2. 分析功能优先级和商业价值。 3. 在讨论结束时汇总所有意见输出最终产品方案。 temperature: 0.8 max_tokens: 2048创建第二个 Agentname: tech_lead_deepseek display_name: 技术负责人 Agent model_provider: deepseek base_url: https://api.deepseek.com model_name: deepseek-chat system_prompt: | 你是一位资深后端技术负责人擅长整体架构设计、接口定义和实现成本评估。 在评审讨论中你的任务是 1. 评估需求的可行性和技术难点。 2. 提出接口设计和技术方案。 3. 指出潜在的性能和扩展性问题。 temperature: 0.4 max_tokens: 2048创建第三个 Agentname: tester_claude display_name: 测试专家 Agent model_provider: anthropic model_name: claude-3-5-sonnet-latest system_prompt: | 你是一位测试专家擅长从边界条件、异常场景、数据安全等角度发现问题。 在评审讨论中你的任务是 1. 针对需求提出可能遗漏的异常场景。 2. 指出数据采集和权限控制方面的风险。 3. 给出可执行的测试建议。 temperature: 0.3 max_tokens: 2048这里需要解释一个设计细节三个 Agent 的temperature故意设置得不同。产品经理需要发散思维所以较高技术负责人和测试专家需要严谨判断所以较低。这就是在 HStudio 中做“人设区分”的重要方法之一。4.3 配置模型与密钥在 HStudio 的密钥管理面板中分别配置三组环境变量配置项值OPENAI_API_KEY你的 OpenAI KeyDEEPSEEK_API_KEY你的 DeepSeek KeyANTHROPIC_API_KEY你的 Claude Key在 Agent 配置中通过变量引用这些 Key例如OPENAI_API_KEY对应 OpenAI AgentDEEPSEEK_API_KEY对应 DeepSeek Agent。这样可以在不暴露明文密钥的前提下完成模型绑定。如果你使用代码文件来定义 Agent可以维护一个 JSON 配置文件方便团队协作和版本管理。但要注意这个文件不能包含真实密钥密钥仍然通过环境变量加载。4.4 编写群聊编排示例代码如果 HStudio 当前版本提供了可视化群聊功能你可以在界面里直接选择三个 Agent创建群聊会话然后手动发送第一条消息。但为了让你更清晰地理解多 Agent 群聊的流转逻辑这里提供一个轻量级的 Python 编排示例相当于在 HStudio 外部模拟了同样的流程。import os import time from dotenv import load_dotenv from openai import OpenAI import anthropic load_dotenv() openai_client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) deepseek_client OpenAI( api_keyos.getenv(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com, ) claude_client anthropic.Anthropic(api_keyos.getenv(ANTHROPIC_API_KEY)) AGENT_CONFIGS [ { name: 产品经理-OpenAI, type: openai, model: gpt-4o-mini, system: 你是一位资深产品经理擅长从用户需求、业务价值和产品优先级角度分析问题。, temperature: 0.8, }, { name: 技术负责人-DeepSeek, type: deepseek, model: deepseek-chat, system: 你是一位资深后端技术负责人擅长整体架构设计、接口定义和实现成本评估。, temperature: 0.4, }, { name: 测试专家-Claude, type: claude, model: claude-3-5-sonnet-latest, system: 你是一位测试专家擅长从边界条件、异常场景、数据安全等角度发现问题。, temperature: 0.3, }, ] def call_agent(agent_config, user_message): system_prompt agent_config[system] user_content f当前讨论的原始需求是{user_message}\n\n请基于你的角色提出观点或补充意见。 if agent_config[type] in (openai, deepseek): client openai_client if agent_config[type] openai else deepseek_client response client.chat.completions.create( modelagent_config[model], temperatureagent_config[temperature], messages[ {role: system, content: system_prompt}, {role: user, content: user_content}, ], ) return response.choices[0].message.content if agent_config[type] claude: response claude_client.messages.create( modelagent_config[model], max_tokens2048, temperatureagent_config[temperature], systemsystem_prompt, messages[ {role: user, content: user_content}, ], ) return response.content[0].text def run_group_chat(requirement, max_rounds2): print(f 群聊开始原始需求{requirement} \n) # 第一轮每位 Agent 基于角色发言 round_messages {} for agent in AGENT_CONFIGS: print(f【{agent[name]}】正在发言...) reply call_agent(agent, requirement) round_messages[agent[name]] reply print(f{agent[name]}\n{reply}\n) time.sleep(1) # 第二轮每位 Agent 针对其他人的观点进行补充或质疑 print( 第二轮交叉讨论 \n) combined f原始需求{requirement}\n for name, content in round_messages.items(): combined f{name} 的观点{content}\n for agent in AGENT_CONFIGS: print(f【{agent[name]}】正在补充意见...) prompt combined \n请针对上述讨论提出你的补充意见或质疑。 reply call_agent(agent, prompt) print(f{agent[name]} 补充\n{reply}\n) time.sleep(1) print( 群聊结束 ) if __name__ __main__: run_group_chat( 我们要做一个 AI 周报自动生成工具用户上传工作记录系统自动生成周报并发送到指定邮箱。 )这个代码中的call_agent函数封装了三种模型的调用差异run_group_chat模拟了一个最简单的多 Agent 群聊流程先每个人基于角色独立发言然后第二轮结合所有人的观点做交叉讨论。虽然实际 HStudio 中的群聊调度逻辑可能更复杂比如支持随机发言、指定主持人、工具调用等但这个例子能帮你理解“多 Agent 群聊”的最小工作流。4.5 运行与验证执行脚本python group_chat.py预期过程会输出每一轮每个 Agent 的发言。由于模型生成有随机性具体内容每次会不同但角色特征会很明显OpenAI 产品经理 Agent 会先站在用户价值角度分析输出功能优先级列表。DeepSeek 技术负责人 Agent 会围绕技术实现方案、接口设计、数据存储给出建议。Claude 测试专家 Agent 会从边界条件、邮件发送失败、数据隐私等角度提出问题。如果三个 Agent 都能正常回复说明模型服务接入成功HStudio 中的对应配置也可以复用这套验证结果。如果某个 Agent 报错则需要根据错误信息对应排查。5. 常见问题与排查思路5.1 报错排查表问题现象常见原因解决思路调用 OpenAI 返回 Invalid API KeyAPI Key 错误或没有权限检查 Key 是否复制完整确认账号是否有对应模型访问权限调用 DeepSeek 返回 401Key 错误或 base_url 拼写错误确认 base_url 是否为https://api.deepseek.com确认 Key 属于当前平台调用 Claude 返回 authentication_errorAnthropic Key 无效到 Anthropic Console 检查 Key 状态必要时重新生成提示 model not found模型名称填写错误去对应平台模型列表确认准确名称注意版本后缀Agent 群聊陷入循环停不下来缺少终止条件为群聊设置最大轮数或指定主持人强制收敛Claude 新用户注册时报 not available账号地区不在服务范围确认账号所属地区是否在支持的开放范围内请求超时或网络连接错误网络环境无法访问目标模型服务检查网络策略确认目标域名可访问合理设置 timeout5.2 Claude 新用户注册受限怎么办如果你在注册 Anthropic 账号时看到 “unfortunately, claude is not available to new users right now. we’re working...” 这类提示说明当前账号所属地区或网络出口不在 Anthropic 当前开放的服务范围内。这不是代码问题无法通过修改 HStudio 配置解决。处理建议是先确认你所在地区是否在 Anthropic 官方支持列表中。如果支持尝试更换注册邮箱或联系官方支持。如果确实无法使用 Claude可以在 HStudio 中选择其他兼容 Anthropic 协议的第三方代理服务但这需要自行评估对方的安全性和合规性。更稳妥的做法是暂时用 OpenAI 或 DeepSeek Agent 替代先把群聊流程跑通。5.3 Agent 之间陷入死循环多 Agent 群聊最常见的工程问题是死循环Agent A 说一句Agent B 回一句Agent A 又反驳如此往复不结束。根本原因是群聊缺少“收敛机制”。解决思路有三个方向设置最大轮数。这是最简单粗暴的方式也是必备兜底方案。设置主持人 Agent。让某个 Agent 在指定轮次后负责总结并强制停止讨论。修改系统提示词要求每个 Agent “只补充与之前不同的观点”避免重复反驳。在 HStudio 中你可以直接在群聊配置里设置最大消息轮数或者通过自定义工作流节点控制终止条件。5.4 API Key 泄露风险这是所有 Agent 项目里最容易忽略的安全问题。如果你在群里或 GitHub 仓库里看到过标题类似“OpenAI API Key 分享”的帖子那大概率是某个开发者不小心把 Key 提交到了公开仓库。这类泄露轻则账号被盗刷重则影响企业合规。安全建议所有密钥只放在环境变量或密钥管理服务中。在.gitignore中排除.env文件。如果怀疑 Key 已泄露立刻到平台后台吊销并重新生成。企业环境建议通过内部密钥管理系统注入而不是让每个开发者在本地手动复制。6. 最佳实践与生产建议6.1 角色与任务的科学划分多 Agent 群聊不是“Agent 越多越好”。在 HStudio 中创建每个 Agent 之前先问自己三个问题这个角色是不是需要独立的上下文记忆这个角色是否真的会产出不同的观点还是只是换了个标题重复上一个人说的话这个角色在群聊的哪个环节发言、什么时候退出常见的设计原则是每个 Agent 只负责一个领域系统提示词里明确“做什么”和“不做什么”。比如测试专家 Agent 的系统提示词里可以强调“不做技术方案设计”这能有效减少 Agent 越权发言导致的讨论发散。6.2 上下文窗口与用量控制多 Agent 群聊的上下文增长速度非常快。三个 Agent 轮两轮每个人输出 500 字汇总上下文就有数千字。如果每个 Agent 都把完整历史作为输入成本会随轮数线性上升。生产级建议在 HStudio 中开启“上下文裁剪”或“摘要压缩”能力。只让关键 Agent 接收完整上下文非关键 Agent 接收压缩后的摘要。为每个 Agent 设置单次输出长度上限比如max_tokens控制在 1024 左右。定期导出群聊日志观察 token 消耗及时调整轮数。6.3 日志、可观测性与审计多 Agent 群聊一旦上线日志能力就变得很重要。你需要能回答这几个问题某个 Agent 在某个时间点收到了什么输入输出了什么内容调用了哪个模型消耗了多少 token耗时多久。在 HStudio 中建议打开群聊记录持久化功能。如果平台支持回调或 Webhook可以把关键消息同步到内部日志系统。如果你是像我一样在 HStudio 外部用代码模拟群聊流程一定要在关键节点打日志尤其是模型调用前后的入参和出参。6.4 多模型成本与延迟平衡OpenAI、DeepSeek、Claude 的定价和延迟各不相同在不同任务上性价比也不同。比如 DeepSeek 在中文场景下性价比很不错而 Claude 在长文本理解和复杂指令跟随上表现突出。多 Agent 群聊里可以主动利用这种差异需要低延迟的实时讨论选择响应更快的模型。需要长文本归纳和总结时交给长上下文能力强的模型。需要高并发批量处理时优先考虑成本更低的模型。实践上建议为每个 Agent 记录请求耗时和 token 用量统计一段时间后把频次高、逻辑简单的任务迁移到更便宜的模型上只保留复杂度高的环节使用强模型。6.5 生产环境安全边界无论你是用 HStudio 做原型验证还是把它接进生产系统都要明确安全边界最小权限原则模型服务只授予它需要的 API 权限不要给一个纯文本生成 Agent 挂上数据库写权限。内容合规Agent 生成的内容可能包含不准确信息尤其是多个 Agent 讨论后形成的结论建议保留可追溯的生成过程而不是只看最终输出。人工审核涉及资金、法律、对外发布的内容必须有人工审批环节。多 Agent 群聊里的结论可以辅助决策但不应直接触发高风险操作。7. 总结多 Agent 群聊的价值不在于“看起来热闹”而在于把多个模型的差异化能力组织起来让每个角色在同一个上下文场景里贡献不同视角。本文围绕 HStudio 完成了从概念、环境准备、模型接入到群聊实战的完整流程。你可以参考文中的思路把 OpenAI、DeepSeek、Claude 分别绑定到不同 Agent再根据业务场景设计系统提示词、温度和轮数限制。先从小规模的产品评审、代码审查、技术方案讨论场景入手跑通后逐步加入工具调用、上下文压缩、日志审计等进阶能力。如果后续遇到 Agent 配置不生效、模型服务超时、群聊收敛困难等问题可以回到 5.1 的排查表逐项核对。多 Agent 编排本身是一个实践性很强的方向先搭一个最小闭环再根据实际效果不断调整会比一次性设计一个庞大系统稳妥得多。 HStudio多Agent群聊：统一接入OpenAI、DeepSeek、Claude
最近在整理 Agent 项目时我发现一个很常见的需求同一个任务里大家希望 OpenAI 做方案发散DeepSeek 做中文场景下的逻辑推理Claude 做长文本理解和总结。但每次切换模型都要复制粘贴上下文效率很低而且也没有统一的地方管理每个模型的 Prompt 和角色任务。直到把多个 Agent 放进同一个群聊工作区里让它们分别由不同模型驱动并以独立身份围绕同一个任务协作整个流程才变得顺手起来。本文会围绕 HStudio 这个多 Agent 编排工作台展开先讲清楚 Agent、Harness、模型服务这几个容易混淆的概念再分别接入 OpenAI、DeepSeek、Claude 三种模型服务给每个 Agent 设置独立的角色与任务最后通过一个“产品评审群聊”的实战案例把整个流程串起来。文章适合正在做 Agent 开发、想统一管理多个模型服务、或者对多 Agent 协作感兴趣的开发者。1. 为什么要做多 Agent 群聊背景与核心概念1.1 从单模型对话到多 Agent 协作过去我们使用大模型的方式通常是“单模型 单角色”。比如打开 ChatGPT 提问或者通过 API 调用 Claude 做文本总结本质上都是在一个独立会话里连续问答。这种方式有几个明显局限上下文切换成本高同一个问题想分别问 OpenAI、DeepSeek、Claude就需要在不同界面或不同代码里粘贴同样的上下文既容易遗漏也浪费时间。缺乏角色隔离在单模型对话里你让模型“先当产品经理再当开发负责人”模型确实可以切换但历史上下文会混在一起角色边界容易模糊。无法并行协作真实项目里产品经理、后端工程师、测试专家需要围绕同一份需求反复讨论。单模型对话很难模拟这种“多视角互相质询”的协作过程。多 Agent 群聊的基本思路就是让多个具备独立角色、独立系统提示词、甚至由不同大模型驱动的 Agent在同一个会话工作区内协作。每个 Agent 只关注自己的任务消息在一个共享空间里流转最后由主持人或指定 Agent 收敛出结论。这种方式更接近真实团队的工作方式也能发挥不同模型的差异化优势。1.2 HStudio 是什么HStudio 可以理解为一个面向 AI Agent 开发与编排的集成工作台社区里也常把它称为 Agent 托管工作台。它解决的问题很简单当你有多个模型服务、多个角色、多个任务需要统一管理时不再靠零散的脚本和手动复制上下文而是通过可视化界面或配置文件创建 Agent、绑定模型、定义任务然后在一个群聊工作区里观察多个 Agent 的协作过程。从使用方式来看HStudio 通常包含三部分Agent 管理面板创建和编辑 Agent配置系统提示词、模型端点、温度、上下文长度等参数。会话工作区用于发起群聊或任务流多个 Agent 在这里接收消息、发言、互相调用。资源与密钥管理统一存放 OpenAI、DeepSeek、Claude 等服务的 API Key 和基础配置避免把密钥散落在代码里。需要注意的是HStudio 不同版本在界面布局和功能命名上可能有差异但核心逻辑是一致的创建 Agent、绑定模型、分配任务、查看协作结果。下面所有实操都会围绕这条主线展开。1.3 Agent、Harness、模型服务的区别这三个概念在相关搜索里出现频率很高也是新手最容易混淆的地方。模型服务指 OpenAI、DeepSeek、AnthropicClaude这类大模型 API 服务。它们负责接收输入文本并生成回复。你可以把它们理解为“大脑”。Agent一个 Agent 是“模型服务 系统提示词 运行参数 工具能力”的组合。同一个模型服务可以驱动多个 Agent比如用 DeepSeek 同时驱动“技术负责人 Agent”和“代码审查 Agent”它们只是提示词和任务不同。HarnessHarness 指运行 Agent 的“外壳”或“执行环境”。它负责管理模型调用循环、工具调用、上下文窗口、错误恢复等逻辑。AI Agent 开发里的 Harness 类似于“发动机舱”Agent 是驾驶员模型服务是发动机。HStudio 这类工具的核心能力之一就是提供了一套便于编排多个 Agent 的 Harness 环境。区分这三者之后再理解“在 HStudio 上做多 Agent 群聊”就简单了你是在用 HStudio 的 Harness 编排多个 Agent让它们分别调用 OpenAI、DeepSeek、Claude 等模型服务并以独立身份参与群聊。2. 环境准备2.1 环境清单本机环境以常见的开发机为例重点演示配置思路具体版本请按你的实际环境调整操作系统Windows 10/11、macOS 或主流 Linux 发行版均可。Python建议使用 3.10 及以上版本用于编写编排脚本和安装 SDK。Node.js可选如果 HStudio 是基于 npm 安装的桌面端或 CLI 工具需要 Node.js 16 以上。HStudio安装方式以你获取到的版本说明为准常见方式是桌面端安装包或 npm 全局安装。模型 API Key分别准备 OpenAI、DeepSeek、Claude 的 API Key。2.2 获取 OpenAI、DeepSeek、Claude 的 API Key这一步是后续所有配置的基础。无论使用哪个平台都必须在官方开发者平台注册账号然后创建 API Key。OpenAI API Key在 OpenAI 开发者平台注册后进入 API Keys 页面创建。Key 的格式通常以sk-开头。注意OpenAI 的 API Key 只在创建时完整显示一次务必立即保存。DeepSeek API Key在 DeepSeek 开放平台注册后进入 API Keys 页面创建。DeepSeek 的接口兼容 OpenAI 格式所以它的 Key 也可以直接放在 OpenAI SDK 的api_key参数中。Claude API Key在 Anthropic Console 注册后创建。Claude 的 API 与 OpenAI 不完全兼容需要使用 Anthropic 官方 SDK 或兼容层。部分地区新用户注册时会看到 “Claude is not available to new users” 的提示这是平台的服务开放策略限制需要确认你的账号所属地区是否在支持范围内。上面这三个 Key 都属于敏感凭据。所有教程中的示例都建议通过环境变量加载不要硬编码到代码或配置文件里更不要提交到 Git 仓库。2.3 安装 HStudio 与 Python SDK如果你拿到的是 HStudio 桌面端安装包直接按系统对应版本安装即可。如果你拿到的是 CLI 工具可以按官方文档执行安装命令。下面给出一个通用的 Python SDK 安装示例用来在脚本中调用不同模型服务。# 创建虚拟环境推荐 python -m venv .venv source .venv/bin/activate # Windows 下执行 .venv\Scripts\activate # 安装 OpenAI SDK 和 Anthropic SDK pip install openai anthropic python-dotenv说明一下这里为什么需要两个 SDKOpenAI 官方 SDK 可以同时调用 OpenAI 和 DeepSeek因为 DeepSeek 的接口兼容 OpenAI 协议Anthropic 家的 Claude 走的是独立协议所以需要单独安装anthropicSDK。为了统一管理密钥我们在项目根目录创建.env文件OPENAI_API_KEY你的OpenAI_Key DEEPSEEK_API_KEY你的DeepSeek_Key ANTHROPIC_API_KEY你的Claude_Key然后在代码里用python-dotenv加载import os from dotenv import load_dotenv load_dotenv() openai_api_key os.getenv(OPENAI_API_KEY) deepseek_api_key os.getenv(DEEPSEEK_API_KEY) anthropic_api_key os.getenv(ANTHROPIC_API_KEY)这样后续创建 Agent 时就不需要在代码里出现明文密钥了。3. 三个模型服务的接入要点3.1 OpenAI 模型接入OpenAI 的接入最直接。如果你使用官方 SDK示例代码如下from openai import OpenAI client OpenAI( api_keyos.getenv(OPENAI_API_KEY), ) response client.chat.completions.create( modelgpt-4o-mini, messages[ {role: system, content: 你是一个产品经理。}, {role: user, content: 请分析这个需求的用户价值。}, ], temperature0.7, ) print(response.choices[0].message.content)这里有几个关键点model参数要填你账号有权限访问的模型名称。不同账号可用的模型列表可能不同建议在平台模型列表里确认。temperature控制随机性。做发散讨论可以设高一点0.8 左右做代码审查和事实判断设低一点0.2 左右。messages里的system消息承载 Agent 的系统提示词是实现“角色身份”的核心位置。3.2 DeepSeek 模型接入DeepSeek 接入的核心是base_url地址。由于 DeepSeek 兼容 OpenAI 协议你可以直接复用openaiSDK只是把base_url改为 DeepSeek 的服务地址。from openai import OpenAI deepseek_client OpenAI( api_keyos.getenv(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com, ) response deepseek_client.chat.completions.create( modeldeepseek-chat, messages[ {role: system, content: 你是一个资深后端技术负责人。}, {role: user, content: 请评估这个需求的接口设计。}, ], temperature0.5, ) print(response.choices[0].message.content)这里需要注意虽然接口格式兼容但 DeepSeek 并不是 OpenAI它们的模型能力边界、上下文窗口、计费规则都不同。在 HStudio 里配置 DeepSeek Agent 时本质上就是填入这个base_url和对应的模型名。3.3 Claude 模型接入Claude 的 API 协议与 OpenAI 不同需要单独使用 Anthropic SDK。import anthropic claude_client anthropic.Anthropic( api_keyos.getenv(ANTHROPIC_API_KEY), ) response claude_client.messages.create( modelclaude-3-5-sonnet-latest, max_tokens1024, system你是一个测试专家擅长从边界条件和异常场景角度提出问题。, messages[ {role: user, content: 请针对这个需求设计测试用例。}, ], ) print(response.content[0].text)注意两个细节system参数直接传入系统提示词而不像 OpenAI 风格那样放在messages里。messages里的消息角色通常只有user和assistant没有 OpenAI 风格的system角色。如果你需要在 HStudio 里接入 Claude正确做法是在 Agent 配置里选择 Claude 模型端点并填入 Anthropic 的 API Key同时注意 Agent 配置模板里的系统提示词字段会被映射到system参数。3.4 API 协议兼容性对比整理成一张对比表方便后续配置时查阅服务API 风格需要安装的 SDKsystem 提示词位置OpenAIOpenAI 原生openaimessages 中的 system 角色DeepSeek兼容 OpenAIopenaimessages 中的 system 角色ClaudeAnthropic 原生anthropicsystem 参数这张表的实际意义在于你在 HStudio 中给 Agent 配置不同模型时需要明确当前 Agent 绑定的模型所属协议才能选择正确的接入方式。HStudio 如果内置了模型网关通常会把这种差异屏蔽掉但底层原理仍然是这三条接入路径。4. 实战在 HStudio 中创建多 Agent 群聊4.1 场景设计产品评审群聊为了完整演示多 Agent 群聊我们设计一个“产品评审会”场景。假设团队要做一个“基于 AI 的周报自动生成工具”需要三个角色参与评审产品经理 Agent由 OpenAI 驱动负责梳理用户场景、功能优先级和商业价值。技术负责人 Agent由 DeepSeek 驱动负责评估技术可行性、接口设计和系统复杂度。测试专家 Agent由 Claude 驱动负责从边界条件、异常场景、数据安全角度提出质疑。这三个 Agent 在同一个会话工作区内围绕需求展开讨论。产品经理先提方案技术负责人提出实现层面的约束测试专家再指出测试与风险点最后产品经理整合意见输出结论。这样能比较直观地展示不同模型在各自角色上的表现。4.2 在 HStudio 中创建 Agent 角色与任务打开 HStudio 的 Agent 管理面板创建第一个 Agent。不同版本的字段命名可能略有差异但核心配置项是相通的。下面以常见配置为例。Agent 名称产品经理-OpenAIname: product_manager_openai display_name: 产品经理 Agent model_provider: openai model_name: gpt-4o-mini system_prompt: | 你是一位资深产品经理擅长从用户需求、业务价值和产品优先级角度分析问题。 在评审讨论中你的任务是 1. 明确目标用户和核心使用场景。 2. 分析功能优先级和商业价值。 3. 在讨论结束时汇总所有意见输出最终产品方案。 temperature: 0.8 max_tokens: 2048创建第二个 Agentname: tech_lead_deepseek display_name: 技术负责人 Agent model_provider: deepseek base_url: https://api.deepseek.com model_name: deepseek-chat system_prompt: | 你是一位资深后端技术负责人擅长整体架构设计、接口定义和实现成本评估。 在评审讨论中你的任务是 1. 评估需求的可行性和技术难点。 2. 提出接口设计和技术方案。 3. 指出潜在的性能和扩展性问题。 temperature: 0.4 max_tokens: 2048创建第三个 Agentname: tester_claude display_name: 测试专家 Agent model_provider: anthropic model_name: claude-3-5-sonnet-latest system_prompt: | 你是一位测试专家擅长从边界条件、异常场景、数据安全等角度发现问题。 在评审讨论中你的任务是 1. 针对需求提出可能遗漏的异常场景。 2. 指出数据采集和权限控制方面的风险。 3. 给出可执行的测试建议。 temperature: 0.3 max_tokens: 2048这里需要解释一个设计细节三个 Agent 的temperature故意设置得不同。产品经理需要发散思维所以较高技术负责人和测试专家需要严谨判断所以较低。这就是在 HStudio 中做“人设区分”的重要方法之一。4.3 配置模型与密钥在 HStudio 的密钥管理面板中分别配置三组环境变量配置项值OPENAI_API_KEY你的 OpenAI KeyDEEPSEEK_API_KEY你的 DeepSeek KeyANTHROPIC_API_KEY你的 Claude Key在 Agent 配置中通过变量引用这些 Key例如OPENAI_API_KEY对应 OpenAI AgentDEEPSEEK_API_KEY对应 DeepSeek Agent。这样可以在不暴露明文密钥的前提下完成模型绑定。如果你使用代码文件来定义 Agent可以维护一个 JSON 配置文件方便团队协作和版本管理。但要注意这个文件不能包含真实密钥密钥仍然通过环境变量加载。4.4 编写群聊编排示例代码如果 HStudio 当前版本提供了可视化群聊功能你可以在界面里直接选择三个 Agent创建群聊会话然后手动发送第一条消息。但为了让你更清晰地理解多 Agent 群聊的流转逻辑这里提供一个轻量级的 Python 编排示例相当于在 HStudio 外部模拟了同样的流程。import os import time from dotenv import load_dotenv from openai import OpenAI import anthropic load_dotenv() openai_client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) deepseek_client OpenAI( api_keyos.getenv(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com, ) claude_client anthropic.Anthropic(api_keyos.getenv(ANTHROPIC_API_KEY)) AGENT_CONFIGS [ { name: 产品经理-OpenAI, type: openai, model: gpt-4o-mini, system: 你是一位资深产品经理擅长从用户需求、业务价值和产品优先级角度分析问题。, temperature: 0.8, }, { name: 技术负责人-DeepSeek, type: deepseek, model: deepseek-chat, system: 你是一位资深后端技术负责人擅长整体架构设计、接口定义和实现成本评估。, temperature: 0.4, }, { name: 测试专家-Claude, type: claude, model: claude-3-5-sonnet-latest, system: 你是一位测试专家擅长从边界条件、异常场景、数据安全等角度发现问题。, temperature: 0.3, }, ] def call_agent(agent_config, user_message): system_prompt agent_config[system] user_content f当前讨论的原始需求是{user_message}\n\n请基于你的角色提出观点或补充意见。 if agent_config[type] in (openai, deepseek): client openai_client if agent_config[type] openai else deepseek_client response client.chat.completions.create( modelagent_config[model], temperatureagent_config[temperature], messages[ {role: system, content: system_prompt}, {role: user, content: user_content}, ], ) return response.choices[0].message.content if agent_config[type] claude: response claude_client.messages.create( modelagent_config[model], max_tokens2048, temperatureagent_config[temperature], systemsystem_prompt, messages[ {role: user, content: user_content}, ], ) return response.content[0].text def run_group_chat(requirement, max_rounds2): print(f 群聊开始原始需求{requirement} \n) # 第一轮每位 Agent 基于角色发言 round_messages {} for agent in AGENT_CONFIGS: print(f【{agent[name]}】正在发言...) reply call_agent(agent, requirement) round_messages[agent[name]] reply print(f{agent[name]}\n{reply}\n) time.sleep(1) # 第二轮每位 Agent 针对其他人的观点进行补充或质疑 print( 第二轮交叉讨论 \n) combined f原始需求{requirement}\n for name, content in round_messages.items(): combined f{name} 的观点{content}\n for agent in AGENT_CONFIGS: print(f【{agent[name]}】正在补充意见...) prompt combined \n请针对上述讨论提出你的补充意见或质疑。 reply call_agent(agent, prompt) print(f{agent[name]} 补充\n{reply}\n) time.sleep(1) print( 群聊结束 ) if __name__ __main__: run_group_chat( 我们要做一个 AI 周报自动生成工具用户上传工作记录系统自动生成周报并发送到指定邮箱。 )这个代码中的call_agent函数封装了三种模型的调用差异run_group_chat模拟了一个最简单的多 Agent 群聊流程先每个人基于角色独立发言然后第二轮结合所有人的观点做交叉讨论。虽然实际 HStudio 中的群聊调度逻辑可能更复杂比如支持随机发言、指定主持人、工具调用等但这个例子能帮你理解“多 Agent 群聊”的最小工作流。4.5 运行与验证执行脚本python group_chat.py预期过程会输出每一轮每个 Agent 的发言。由于模型生成有随机性具体内容每次会不同但角色特征会很明显OpenAI 产品经理 Agent 会先站在用户价值角度分析输出功能优先级列表。DeepSeek 技术负责人 Agent 会围绕技术实现方案、接口设计、数据存储给出建议。Claude 测试专家 Agent 会从边界条件、邮件发送失败、数据隐私等角度提出问题。如果三个 Agent 都能正常回复说明模型服务接入成功HStudio 中的对应配置也可以复用这套验证结果。如果某个 Agent 报错则需要根据错误信息对应排查。5. 常见问题与排查思路5.1 报错排查表问题现象常见原因解决思路调用 OpenAI 返回 Invalid API KeyAPI Key 错误或没有权限检查 Key 是否复制完整确认账号是否有对应模型访问权限调用 DeepSeek 返回 401Key 错误或 base_url 拼写错误确认 base_url 是否为https://api.deepseek.com确认 Key 属于当前平台调用 Claude 返回 authentication_errorAnthropic Key 无效到 Anthropic Console 检查 Key 状态必要时重新生成提示 model not found模型名称填写错误去对应平台模型列表确认准确名称注意版本后缀Agent 群聊陷入循环停不下来缺少终止条件为群聊设置最大轮数或指定主持人强制收敛Claude 新用户注册时报 not available账号地区不在服务范围确认账号所属地区是否在支持的开放范围内请求超时或网络连接错误网络环境无法访问目标模型服务检查网络策略确认目标域名可访问合理设置 timeout5.2 Claude 新用户注册受限怎么办如果你在注册 Anthropic 账号时看到 “unfortunately, claude is not available to new users right now. we’re working...” 这类提示说明当前账号所属地区或网络出口不在 Anthropic 当前开放的服务范围内。这不是代码问题无法通过修改 HStudio 配置解决。处理建议是先确认你所在地区是否在 Anthropic 官方支持列表中。如果支持尝试更换注册邮箱或联系官方支持。如果确实无法使用 Claude可以在 HStudio 中选择其他兼容 Anthropic 协议的第三方代理服务但这需要自行评估对方的安全性和合规性。更稳妥的做法是暂时用 OpenAI 或 DeepSeek Agent 替代先把群聊流程跑通。5.3 Agent 之间陷入死循环多 Agent 群聊最常见的工程问题是死循环Agent A 说一句Agent B 回一句Agent A 又反驳如此往复不结束。根本原因是群聊缺少“收敛机制”。解决思路有三个方向设置最大轮数。这是最简单粗暴的方式也是必备兜底方案。设置主持人 Agent。让某个 Agent 在指定轮次后负责总结并强制停止讨论。修改系统提示词要求每个 Agent “只补充与之前不同的观点”避免重复反驳。在 HStudio 中你可以直接在群聊配置里设置最大消息轮数或者通过自定义工作流节点控制终止条件。5.4 API Key 泄露风险这是所有 Agent 项目里最容易忽略的安全问题。如果你在群里或 GitHub 仓库里看到过标题类似“OpenAI API Key 分享”的帖子那大概率是某个开发者不小心把 Key 提交到了公开仓库。这类泄露轻则账号被盗刷重则影响企业合规。安全建议所有密钥只放在环境变量或密钥管理服务中。在.gitignore中排除.env文件。如果怀疑 Key 已泄露立刻到平台后台吊销并重新生成。企业环境建议通过内部密钥管理系统注入而不是让每个开发者在本地手动复制。6. 最佳实践与生产建议6.1 角色与任务的科学划分多 Agent 群聊不是“Agent 越多越好”。在 HStudio 中创建每个 Agent 之前先问自己三个问题这个角色是不是需要独立的上下文记忆这个角色是否真的会产出不同的观点还是只是换了个标题重复上一个人说的话这个角色在群聊的哪个环节发言、什么时候退出常见的设计原则是每个 Agent 只负责一个领域系统提示词里明确“做什么”和“不做什么”。比如测试专家 Agent 的系统提示词里可以强调“不做技术方案设计”这能有效减少 Agent 越权发言导致的讨论发散。6.2 上下文窗口与用量控制多 Agent 群聊的上下文增长速度非常快。三个 Agent 轮两轮每个人输出 500 字汇总上下文就有数千字。如果每个 Agent 都把完整历史作为输入成本会随轮数线性上升。生产级建议在 HStudio 中开启“上下文裁剪”或“摘要压缩”能力。只让关键 Agent 接收完整上下文非关键 Agent 接收压缩后的摘要。为每个 Agent 设置单次输出长度上限比如max_tokens控制在 1024 左右。定期导出群聊日志观察 token 消耗及时调整轮数。6.3 日志、可观测性与审计多 Agent 群聊一旦上线日志能力就变得很重要。你需要能回答这几个问题某个 Agent 在某个时间点收到了什么输入输出了什么内容调用了哪个模型消耗了多少 token耗时多久。在 HStudio 中建议打开群聊记录持久化功能。如果平台支持回调或 Webhook可以把关键消息同步到内部日志系统。如果你是像我一样在 HStudio 外部用代码模拟群聊流程一定要在关键节点打日志尤其是模型调用前后的入参和出参。6.4 多模型成本与延迟平衡OpenAI、DeepSeek、Claude 的定价和延迟各不相同在不同任务上性价比也不同。比如 DeepSeek 在中文场景下性价比很不错而 Claude 在长文本理解和复杂指令跟随上表现突出。多 Agent 群聊里可以主动利用这种差异需要低延迟的实时讨论选择响应更快的模型。需要长文本归纳和总结时交给长上下文能力强的模型。需要高并发批量处理时优先考虑成本更低的模型。实践上建议为每个 Agent 记录请求耗时和 token 用量统计一段时间后把频次高、逻辑简单的任务迁移到更便宜的模型上只保留复杂度高的环节使用强模型。6.5 生产环境安全边界无论你是用 HStudio 做原型验证还是把它接进生产系统都要明确安全边界最小权限原则模型服务只授予它需要的 API 权限不要给一个纯文本生成 Agent 挂上数据库写权限。内容合规Agent 生成的内容可能包含不准确信息尤其是多个 Agent 讨论后形成的结论建议保留可追溯的生成过程而不是只看最终输出。人工审核涉及资金、法律、对外发布的内容必须有人工审批环节。多 Agent 群聊里的结论可以辅助决策但不应直接触发高风险操作。7. 总结多 Agent 群聊的价值不在于“看起来热闹”而在于把多个模型的差异化能力组织起来让每个角色在同一个上下文场景里贡献不同视角。本文围绕 HStudio 完成了从概念、环境准备、模型接入到群聊实战的完整流程。你可以参考文中的思路把 OpenAI、DeepSeek、Claude 分别绑定到不同 Agent再根据业务场景设计系统提示词、温度和轮数限制。先从小规模的产品评审、代码审查、技术方案讨论场景入手跑通后逐步加入工具调用、上下文压缩、日志审计等进阶能力。如果后续遇到 Agent 配置不生效、模型服务超时、群聊收敛困难等问题可以回到 5.1 的排查表逐项核对。多 Agent 编排本身是一个实践性很强的方向先搭一个最小闭环再根据实际效果不断调整会比一次性设计一个庞大系统稳妥得多。