多智能体协同的核心难题，不是让更多智能体参与任务，而是让每个智能体的责任边界可定义、可验证、可追溯。一个智能体负责检索，另一个负责分析，第三个负责执行时，如果没有明确的交接条件和最终责任主体，系统就可能出现“每一步都完成了，整体结果却无人负责”的情况。
先按任务链划分责任
责任划分不应以“智能体数量”为依据，而应以任务链中的决策节点为依据。通常可以拆成五类职责：
- 目标理解：识别用户意图、范围、约束和完成标准，避免后续智能体建立在错误目标上。
- 任务规划：把目标拆解为有先后关系的子任务，决定调用哪些能力，并在失败或信息不足时重新规划。
- 信息处理：负责检索、比对和整理数据，同时说明数据来源、时效和适用范围。
- 动作执行：调用业务工具或外部系统，只能在授权范围内执行，并对参数和执行结果负责。
- 结果校验：检查输出是否满足目标、数据是否一致、关键步骤是否缺失；对高影响操作，应触发人工确认。
其中，规划智能体不应自动承担执行责任，执行智能体也不应自行扩大任务权限。职责越接近真实业务动作，权限和审计要求就越严格。
用“责任对象”而不是“平均分责”
每个子任务都应明确四项内容：输入是什么、输出标准是什么、允许调用哪些工具、出现异常后交给谁处理。智能体之间交接时，还应保留任务状态、关键依据、调用记录和未解决问题。否则，后续智能体无法判断前一步结果是已验证结论，还是未经确认的推测。
尤其要区分三种责任：结果责任、过程责任和治理责任。结果责任对应最终业务产出；过程责任对应规划、检索、分析或执行中的具体环节；治理责任则对应权限、日志、记忆管理、停用和人工介入机制。即使某个错误由多个智能体共同造成，也必须能够定位到具体环节，而不能用“系统自主生成”作为免责理由。
高风险节点必须保留人工边界
涉及付款、合同变更、客户权益或生产控制等操作时，应将“生成建议”与“执行动作”分离。智能体可以提出方案、整理依据和预填参数，但最终执行应依据分级授权、人工确认或可回滚机制完成。
因此，评估多智能体系统时，不能只看任务完成率，还要检查：谁拥有决策权，谁能够调用工具，谁验证结果，谁处理异常，谁承担最终责任。只有把这些问题落实到接口、权限、日志和交接规则中，协同才不是能力叠加，而是可治理的业务流程。