Anthropic 深度揭秘 Claude 多智能体研究系统：指挥家-演奏家模式如何突破 AI 研究瓶颈

Anthropic 近日公开了其深度研究功能的构建过程，内容极具参考价值。当面对需要跨域海量信息、探索未知领域的复杂研究任务时，单一的大语言模型（LLM）常会遭遇瓶颈。为了更高效地解决此类问题，Anthropic 的工程师团队打造了一套先进的多智能体研究系统，并将其整合为 Claude 的“研究”（Research）功能。Anthropic 详细分享了该系统从原型到产品的完整历程，为我们揭示了构建高效、可靠的智能体系统所需的核心原则、架构设计与工程智慧。

核心内容：

• 多智能体系统如何通过并行分工机制攻克复杂研究任务
• “指挥家-演奏家”架构的设计原理与运作机制
• 系统性能提升与资源消耗的权衡分析

一、为什么选择多智能体系统？

研究工作天然具有开放性和动态性，无法预设固定路径，需要根据新发现不断调整方向，这正是 AI 智能体（Agent）的优势所在。然而，单智能体在处理需要“广度优先”搜索的复杂查询时，仍会因顺序执行而效率低下。

多智能体系统通过以下方式解决了这一难题：

并行压缩与分工： 系统的核心思想是“压缩”——从海量信息中提炼洞见。多个“子智能体”（Subagents）可并行工作，各自拥有独立的上下文窗口，同时探索问题的不同方面。这种分工不但减少了路径依赖，还实现了关注点分离（例如，不同子智能体使用不同工具或提示）。

性能的指数级提升： Anthropic 的内部评估表明，在处理需要分解任务的复杂查询时（如“找出标普500信息技术板块所有公司的董事会成员”），一个由 Claude Opus 4 担任主智能体、Claude Sonnet 4 担任子智能体的多智能体系统，其性能比单个 Claude Opus 4 智能体高出 90.2%。

代价与权衡： 强大的性能并非没有代价。多智能体系统是“token 消耗大户”。数据显示，智能体交互的 token 消耗约为普通聊天的 4 倍，而多智能体系统则高达 15 倍。因此，这类系统最适用于那些能够通过其卓越性能创造足够高价值的任务。