多智能体什么时候值得

它是什么

多智能体指让两个或更多的 Agent 协作完成一个任务。它们可以由同一个模型驱动，区别在于各自有独立的指令、工具和上下文，按某种编排关系分工。

它不是模型能力的等级，而是一种系统结构。单个 Agent 把工具调用放进循环；多智能体在此基础上增加了协调层：谁把任务分给谁、结果怎么合并。

怎么工作

一次多智能体运行通常包含：拆解任务、分派给子代理、子代理各自执行、最后汇总。子代理的上下文一般相互隔离，只能通过显式传递的材料了解其他部分。

两种常见编排方式：

• 主管模式：一个主 Agent 负责拆解、分派和汇总，子代理之间不直接通信。控制流集中，容易调试和加权限；缺点是主管的上下文容易成为瓶颈。
• 交接模式：当前 Agent 把控制权连同对话交给另一个 Agent，由接手方继续处理。适合分诊与转交专家；风险是责任边界模糊，任务被来回转手。

收益与代价

收益主要来自三处：并行研究，互不依赖的子任务可以同时探索；互相审查，生成者与检查者分离，容易发现盲点；隔离上下文，每个子代理只带自己的材料，避免长上下文互相干扰。

代价同样具体：协调成本，拆任务、写交接说明、合并结果都要额外设计；上下文割裂，子代理看不到彼此的发现，容易重复劳动或结论冲突；错误传播，子代理的错误被主管当成事实继续加工，更难定位；成本上升，并行缩短等待时间，但 token 总量通常增加。

Anthropic 在多智能体研究系统的工程文章里把这类结构定位为适合可并行、信息密集的研究任务，代价是更高的 token 消耗。官方未说明一套适用于所有场景的判断阈值。

先单代理，再编排

默认先用一个 Agent 加一组好用的工具，把流程、提示和验证做扎实。只有出现信号才拆：任务里有天然独立的子问题；单个上下文窗口装不下且检索解决不了；或者需要独立角色做审查。

如果单代理的失败原因是工具不好用、提示不清楚，拆成多代理只会把同一个问题复制几份。

可观测性

至少记录：每次分派的任务描述与输入摘要、使用的工具、产出、耗时和 token 消耗，以及子代理之间的父子关系。给每个子代理一个可追踪的标识，汇总时保留结论来源。

失败也要留痕：哪个子代理失败、主管是重试、换人还是降级。评估看端到端任务成功率，而不是单个子代理看起来是否勤快。

常见误解

• 代理越多越聪明：数量不带来能力，协调开销和错误面反而增加。
• 多智能体等于并行：很多流程是串行交接，真正并行需要独立子任务和明确的合并策略。
• 子代理自动共享上下文：通常不共享，必须显式传递，否则各自为战。
• 多智能体一定更快：并行可能缩短等待时间，但总成本上升，串行依赖下还会更慢。