在近期一场技术分享中，Spotify工程师Pratik Rasam披露了该公司广告平台Spotify Ads Manager如何基于Google ADK Java框架，规模化运行生产级多智能体系统。该分享聚焦于多智能体架构在广告技术场景下的落地路径，涵盖领域归属模型、确定性护栏机制以及基于追踪的评估策略等核心议题。
Spotify Ads Manager是Spotify面向广告主提供的自助式广告投放管理平台。随着广告业务复杂度提升，传统单体智能体架构在任务编排、工具调用和成本控制方面逐渐暴露瓶颈。Rasam在分享中指出，团队在构建多智能体系统时面临的首要挑战是如何合理划定智能体边界。过度集中的单体智能体容易导致工具模式臃肿、上下文窗口膨胀以及维护成本攀升，而边界模糊的多智能体协作则可能引发任务重复执行和状态不一致问题。
针对上述问题，Spotify团队采用领域归属模型对智能体进行职责划分，使每个智能体在明确的业务域内独立运作，并通过标准化接口进行跨域协作。这一设计借鉴了微服务架构中的领域驱动设计思路，将广告投放流程中的受众定向、预算分配、创意管理和效果归因等环节拆分为独立智能体单元。
在可靠性保障方面，团队引入了确定性护栏机制。该机制在智能体决策路径的关键节点设置规则约束，确保输出结果符合业务合规要求和数值边界条件，防止大模型在广告出价、预算消耗等敏感操作中产生不可控行为。Rasam强调，护栏并非替代模型推理，而是在模型输出与最终执行之间建立可验证的检查层。
评估策略上，Spotify采用基于追踪的评估方法，通过记录智能体间完整调用链路和工具使用序列，对多智能体系统的行为进行回溯分析。该方法使团队能够定位协作失效的具体环节，并量化工具模式优化前后的性能差异。Rasam还分享了工具模式优化的实践经验，包括精简参数定义、明确工具描述语义以及限制单智能体可访问工具数量等措施，以降低推理延迟和调用成本。
成本管理是另一项被重点讨论的议题。多智能体系统中，智能体间通信和工具调用会产生显著的token消耗，若缺乏有效管控，成本可能随智能体数量增长呈非线性上升。Spotify团队通过设置调用频次上限、缓存高频查询结果以及动态选择模型规格等方式控制总体开销。
该分享为广告技术及其他企业级AI应用场景提供了多智能体系统从实验原型走向生产部署的参考框架。随着AI智能体在垂直SaaS领域的渗透加速，如何平衡系统灵活性与工程可控性，将成为企业服务厂商需要持续回答的问题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
