多智能体

一个 Agent 把所有事揽在一个上下文里，会遇到三个问题：

• 窗口装不下：调研要读几十个网页，全塞进一个窗口会腐化（第 23 讲（上下文窗口与上下文腐化））；
• 串行太慢：一个接一个搜，耗时长；
• 角色混在一起：同一个模型既写代码又审代码，容易「自己给自己放水」。

多智能体的思路和公司分部门一样：拆开、并行、各管一摊。

方式一：编排者-子智能体（Orchestrator–Subagents）

一个主智能体负责拆题、派活、汇总；多个子智能体各自独立完成一块，只把精简结果交回。子智能体之间不直接对话。

代表是 Anthropic 的研究系统（第 27 讲（压缩与隔离）讲过它的 90.2% 和 15 倍 token）。这节补充它在怎么派活上的经验：

• 主智能体给每个子智能体的任务说明要包含四样东西：目标、输出格式、该用哪些工具和来源、清楚的任务边界。
• 早期主智能体只给一句「研究一下半导体短缺」，结果子智能体理解偏了，或者几个子智能体做了一模一样的搜索：一个查 2021 年汽车芯片危机，另外两个重复调查 2025 年供应链，没有有效分工。
• 并行做法：主智能体同时起 3–5 个子智能体，每个子智能体同时调 3 个以上工具。复杂查询的研究时间最多缩短 90%。

方式二：对话式多智能体（Conversational）

几个 Agent 像开会一样互相发消息，通过对话推进任务。代表是微软的 AutoGen（Wu 等，2023）。

AutoGen 有两个核心概念：

1. 可对话智能体（conversable agent）：每个 Agent 都能收发消息，背后可以是大模型、工具或真人，也可以是它们的组合。
2. 对话编程（conversation programming）：开发者只做两件事：① 定义有哪些 Agent、各自什么角色；② 规定它们怎么对话。

内置的两个常用角色：

更复杂时有 GroupChatManager（群聊管理器）：动态挑选下一个发言者，再把他的发言广播给其他人。

演示：AutoGen 两个 Agent 的一段对话（示意）

任务：「画出今年 META 和 TESLA 股价涨幅对比图」（论文图 1 用的就是这类例子）。

1. 用户代理 → 助手：画出 META 和 TESLA 今年的股价涨幅图。
2. 助手：这是一段 Python 代码，用 yfinance 下载数据并画图。
3. 用户代理（自动执行代码）：报错，没有安装 yfinance。
4. 助手：请先运行 pip install yfinance，再运行原代码。
5. 用户代理（执行）：成功，图已保存。
6. 助手：完成。TERMINATE

中间没有人插手，靠的是 AutoGen 的自动回复机制：收到消息就自动生成回复，直到满足终止条件。把用户代理的 human_input_mode 设成 "ALWAYS"，每一步都会先问真人，就变成了人在回路里。

论文里的一个例子：多智能体真比单智能体好吗

OptiGuide（供应链优化问答）用了三个角色：

• 指挥官：接用户问题，协调其他两个角色；
• 写手：写代码、解释结果；
• 安全员：检查代码是否安全。

流程：写手写代码 → 指挥官交给安全员检查 → 通过后执行 → 写手解释结果。安全员拦下了，就把问题打回给写手。

论文做了对照实验：让一个 Agent 同时负责写代码和审安全，和多 Agent 版本比较。测试集是 100 个编程任务，安全和不安全的各一半。多 Agent 版本识别不安全代码的 F1 分数，用 GPT-4 时高 8%，用 GPT-3.5-turbo 时高 35%。另外，核心工作流代码从 430 多行减到 100 行。

这个结果和第 28 讲（什么是 Agent）讲的「评估-优化」模式是一个道理：干活的和把关的分开，把关更严。第 36 讲（权限、沙箱与错误恢复）还会讲到 Anthropic 用独立评估者做 QA 的例子。

Anthropic 的数据（第 27 讲（压缩与隔离）已讲）：单个 Agent 约用普通聊天 4 倍的 token，多智能体约 15 倍。他们还发现，在他们的评测里，token 用量本身就解释了 80% 的表现差异。多智能体好用，很大程度上是因为它能花更多 token。

所以要按任务难度分配投入。Anthropic 把下面的「投入分级」直接写进了主智能体的提示词：

演示：算一笔账（示意数字）

假设一次普通聊天花 2,000 token，模型价格按每百万 token 10 美元算：

• 普通聊天：2,000 × 10 / 1,000,000 = 0.02 美元
• 单 Agent（约 4 倍）：8,000 token ≈ 0.08 美元
• 多智能体（约 15 倍）：30,000 token ≈ 0.30 美元

一天 1 万次请求，多智能体比单 Agent 多花约 (0.30 − 0.08) × 10,000 = 2,200 美元/天。所以只有任务价值够高、而且确实能并行时才值得用。

Anthropic 说多智能体的协调复杂度增长很快。他们早期遇到的错误：

• 一个简单问题起了 50 个子智能体；
• 没完没了地在网上找根本不存在的资料；
• 子智能体之间互相发太多更新，彼此干扰。

还有结构上的瓶颈：主智能体同步等待一批子智能体全部完成才继续。这让协调变简单，但主智能体无法中途纠偏，子智能体之间也不能协作，一个慢的会拖住全部。

什么时候不该用多智能体

第 27 讲（压缩与隔离）已经说过：子任务之间依赖多、需要共享大量上下文的任务（比如大多数编程任务）不适合拆。拆开以后，每个子智能体只看到局部，合起来容易对不上。

• Wu et al., AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation, 2023：arxiv.org
• Anthropic, How we built our multi-agent research system, 2025-06-13：anthropic.com