Anthropic团队最近发布了一篇很有意思的技术复盘，详细拆解了他们如何通过构建“多智能体系统”，让Claude的复杂研究能力提升了足足90.2%。这篇文章的核心并非枯燥的理论，而是实打实的工程实践，特别是那个“协调器-工作器”的架构模式，对于希望突破AI研究瓶颈的团队来说，很有参考价值。

简单来说，这套系统的核心是一个“协调器-工作器”模式：由一个主智能体（LeadResearcher）负责全局规划，然后派生出多个并行执行的子智能体（SubAgents）去分工搜索、分析和整合信息。最终，它们的协作成果能以极高的效率完成用户的复杂查询。

以下是正文的深度解读：

为什么需要多智能体系统？

研究工作面对的都是开放性问题，没人能提前预知确切的步骤和答案。探索复杂主题的路径是动态的、路径依赖的。人类研究者会根据新发现不断调整方向，跟随调查过程中冒出的新线索，而不是死板地走一条固定路线。

这种不可预测性，恰恰是AI智能体大显身手的舞台。研究需要灵活性，需要模型自主进行多轮决策，根据中间发现来决定下一步走向。传统的、线性的管道式处理方式，完全无法胜任。

从技术本质上说，搜索就是一个“压缩”的过程：从海量信息中提炼出精华。子智能体的价值在于，它们各拥有独立的上下文窗口，可以并行探索问题的不同方面，然后将各自找到的关键信息“压缩”后，传递给主智能体。这不仅是分工，更是实现了“关注点分离”——不同的工具、不同的提示词、不同的探索轨迹，减少了路径依赖性，确保了每个方向都能得到彻底、独立的调查。

当智能水平达到一定阈值后，多智能体系统就成了扩展性能的关键手段。回顾历史，过去10万年里，单个人类的大脑提升有限，但人类社会在信息时代的能力却指数级增长，靠的就是集体智能和协作能力。单个的通用智能体，即使再强大，也有其能力的“天花板”；而一组智能体协同工作，就能完成远超单一体的任务。

内部评估数据非常能说明问题：以Claude Opus 4为主智能体、Claude Sonnet 4为子智能体的多智能体系统，在内部研究评估中，性能比单智能体Opus 4高出90.2%。举个例子，当要求识别S&P 500中所有IT公司的董事会成员时，多智能体系统通过将任务分解给子智能体，很快并行找到了答案；而单智能体系统则因为只能进行缓慢的连续搜索而失败。

为什么多智能体系统如此有效？核心在于它能投入足够的算力（Token）来解决问题。在分析“浏览与搜索能力测试（BrowseComp）”中的性能差异时，发现三个关键因素能解释95%的差异：Token使用量（占80%）、工具调用次数和模型选择。这验证了他们的架构思路：通过让拥有独立上下文窗口的智能体并行工作，极大地增加了推理容量。最新的Claude模型是效率倍增器，从Sonnet 3.7升级到Sonnet 4带来的性能提升，甚至比将Token预算翻倍还要大。

当然，也有代价。在实践中，这类架构是Token消耗大户。数据显示，智能体使用的Token量平均是普通聊天的4倍，而多智能体系统则高达15倍。因此，要保证经济性，任务的价值必须高到足以覆盖增加的成本。另外，有些场景目前并不适合多智能体系统，比如必须所有智能体共享同一个上下文、或者智能体之间有大量相互依赖关系的任务（例如绝大多数编程任务）。我们的经验是，多智能体系统最擅长处理那些能大量并行化、信息量远超单个上下文窗口、且需要与众多复杂工具交互的“高价值任务”。

研究架构：协调器-工作器模式

Anthropic的研究系统采用的就是典型的协调器-工作器模式：一个主智能体负责协调全局，同时把专业任务委派给并行运行的子智能体。

用户提交查询后，主智能体先进行分析、制定策略，然后生成多个子智能体，让它们并行探索不同方面。每个子智能体通过迭代使用搜索工具来收集信息，最后汇总到主智能体，由其编制最终答案。

与传统RAG的静态检索不同，这个体系采用的是动态的多步骤搜索。它能适应新发现，分析中间结果，并不断调整搜索方向以生成高质量答案。

整个流程是这样的：系统首先创建一个主智能体，它会思考方法并将计划存入“内存”（即使上下文窗口超过20万Token被截断，计划也能保留）。然后，主智能体创建多个专业的子智能体。每个子智能体独立执行网络搜索，并进行“交错思考”来评估结果，最后将发现返回给主智能体。主智能体综合信息后，决定是否需要继续研究——如果需要，它可以创建更多子智能体或优化策略。一旦收集足够信息，系统会退出循环，将所有发现交给引用智能体，由其定位所有引用的具体位置，确保结论有明确出处。

提示词工程与评估的艺术

多智能体系统与单智能体系统有本质区别，其中最大的挑战是协调复杂性的指数级增长。早期的智能体经常犯错，比如为简单查询生成了50个子智能体，或者无休止地搜索不存在的信息。因为每个智能体都受提示词驱动，所以提示词工程是修正这些行为的主要手段。这里总结了一些经验：

1. 像你的智能体一样思考。 要迭代提示词，你必须了解它们实际产生什么效果。最好的办法是用你的系统提示词和工具，构建一个模拟环境，一步步观察智能体的行为。这能立刻暴露失败模式：比如智能体在已有足够结果时还在搜，或者用了过于冗长的查询。有效的提示词依赖于对智能体行为模式的准确心理模型。

2. 教会协调器如何委派。 主智能体需要把查询分解为子任务，并向子智能体描述清楚。每个子智能体都需要明确的目标、输出格式、工具使用指导、来源选择和任务边界。如果描述太模糊（比如只说“研究半导体短缺”），子智能体就容易误解任务或重复劳动。一个好的提示词应该能形成有效的分工。

3. 根据查询复杂性扩展工作量。 智能体自己很难判断任务该投入多少精力。我们在提示词中嵌入了规则：简单的事实查找只需1个智能体和3-10次工具调用；直接的比较可能需要2-4个子智能体，每个做10-15次调用；复杂研究可能需要10多个子智能体，且职责明确划分。这让主智能体能合理分配资源，避免在简单任务上过度投入。

4. 工具设计和选择是命门。 智能体与工具的接口，重要性不亚于人与计算机的交互。我们用MCP服务器为模型提供外部工具，但这也带来了问题——工具的描述质量参差不齐。我们给智能体明确的启发式规则：先检查所有工具，将工具与用户意图匹配，做广泛的外部探索，优先选择专业工具。糟糕的工具描述会把智能体引向完全错误的道路。

5. 让智能体自我改进。 我们发现Claude 4模型可以成为出色的提示词工程师。给定提示词和失败模式，它能诊断失败原因并给出改进建议。我们甚至创建了一个“工具测试智能体”——当遇到有缺陷的MCP工具时，它会尝试使用，然后重写工具描述以规避失败。这使后续智能体的任务完成时间减少了40%。

6. 从宽泛开始，然后缩小范围。 搜索策略应该模仿人类专家：先探索全领域，再深入细节。智能体常常默认使用过长、过于具体的查询，导致返回结果太少。我们通过提示词让它从简短、宽泛的查询开始，评估可用内容，然后逐步聚焦。

7. 引导思考过程。 扩展思考模式可以当作智能体的“草稿本”。主智能体用它来规划方法、评估工具、确定复杂性和子智能体数量。子智能体则用它来规划，并对工具返回的结果进行交叉思考，评估质量、识别空白、优化下一步查询。这显著提升了指令遵循和推理效率。

8. 并行工具调用是翻跟斗。 早期系统是顺序搜索，速度很慢。我们引入了两种并行化：主智能体同时启动3-5个子智能体；子智能体同时使用3个以上工具。这使复杂查询的研究时间缩短了90%。

我们的提示词策略侧重于灌输良好的启发式方法，而不是严苛的规则。我们把人类研究者的优秀策略（如分解任务、评估来源、调整方法）编码进了提示词。同时，我们也设置了安全护栏防止失控。最终，我们依靠快速迭代、可观察性和测试用例来持续优化。

如何有效评估多智能体系统？

好的评估是构建可靠AI的基石。但多智能体系统的评估很特殊。传统评估假设AI每次走相同的路：输入X，输出Z。但多智能体系统不是这样，即使是相同的输入，智能体也可能走完全不同的路径而达到同一个好结果。所以，我们不能检查它是否走了“正确”的路，而应该用灵活的方法，判断它是否实现了正确的结果，并遵循了合理的过程。

1. 从小样本开始，立即行动。 开发初期，一个提示词调整可能就把成功率从30%提到80%。这时候，十几个真实用例就足够发现变化。不要等构建了几百个测试用例的庞大评估系统才开始，立即用小样本开测，效果更好。

2. LLM作为评估者能大大扩展。 研究输出是自由文本，很难编程式评估。用LLM作为自动评估者是个好主意。我们让LLM根据评分标准（事实准确性、引用准确性、完整性、来源质量、工具效率）打分。尝试过多评估者分工，但发现单个LLM调用、单个提示词输出0.0-1.0的分数和通过/失败等级，结果最一致且与人类判断最吻合。

3. 人工评估能发现计算机注意不到的细节。 测试人员会发现评估遗漏的边缘情况，比如幻觉、系统故障、微妙的来源选择偏差。我们的早期智能体就始终偏爱SEO优化的内容农场，而不是权威的PDF或博客。人工测试发现了这个问题，我们在提示词中加入了来源质量规则才解决。

4. 多智能体系统有涌现行为。 对主智能体的小改动，可能会不可预测地改变子智能体的行为。所以，好的提示词不仅仅是严格的指令，而是定义分工、方法和精力预算的协作框架。

生产环境下的可靠性挑战

在传统软件开发中，错误可能破坏功能或降低性能。但在智能体系统中，微小的改动会级联成大的行为变化。这使为长时间运行的智能体编写健壮的代码变得非常困难。

1. 智能体是有状态的，错误会累积。 智能体长时间运行，在多次工具调用中保持内部状态。小的系统故障对其可能是灾难性的。我们构建了能从错误现场恢复的系统，并利用模型的智能优雅地处理问题——让智能体知道工具何时失效，并让其适应。我们将这种适应性与重试逻辑、定期检查点等确定性保障措施结合。

2. 调试需要新方法。 智能体的决策是动态且非确定性的，即使提示词相同，两次运行结果也可能不同。用户报告“找不到信息”，但我们无法复现。智能体是否用了糟糕的查询？选错了来源？遇到了工具故障？完整的生产跟踪使我们能诊断失败原因。我们监控智能体决策模式和交互结构，而不监控对话内容，在维护用户隐私的同时分析问题。

3. 部署需要小心协调。 智能体系统是高度有状态、几乎持续运行的提示词、工具和执行逻辑网络。部署更新时，智能体可能处于流程的任何位置。我们无法同时更新所有智能体，而是采用“彩虹部署”，让新旧版本同时运行，逐渐转移流量，避免中断正在运行的智能体。

4. 同步执行是瓶颈。 目前，主智能体同步等待子智能体完成。这简化了协调，却造成了信息流动的瓶颈。异步执行能实现更强的并行化，但也会在结果协调、状态一致性和错误处理上带来新挑战。随着模型能力的增强，异步带来的性能提升可能会使其复杂性变得值得。

结论

构建AI智能体时，“最后一公里”往往是整个旅程中最漫长、最艰难的一段。在开发者机器上能跑的代码，需要大量工程打磨才能成为可靠的生产系统。错误在智能体系统中的复合性质，使得传统软件中的小问题可能彻底摧毁智能体。一步失败，可能导致它走上完全不同的轨迹。

尽管挑战重重，多智能体系统在开放式研究任务上的价值已经得到验证。用户反馈，Claude帮助他们发现了未曾考虑过的商业机会、导航复杂的医疗选项、解决棘手的技术错误，并省去了数天的研究工作。通过细致的工程、全面的测试、注重细节的提示词和工具设计、稳健的操作实践，以及对当前智能体能力有深刻理解的跨团队紧密协作，多智能体研究系统可以可靠地大规模运行，正在改变人们解决复杂问题的方式。

致谢

本文由 Jeremy Hadfield、Barry Zhang、Kenneth Lien、Florian Scholz、Jeremy Fox 和 Daniel Ford 撰写，反映了Anthropic多个团队的共同努力。

附录：一些额外经验

对修改状态的智能体做最终状态评估。 评估在多轮对话中修改持久状态的智能体，与其逐轮分析过程，不如聚焦于最终状态。判断它是否达到了正确的最终状态，而不是是否走了特定路径。对于复杂工作流，可以将评估分解为离散的检查点。

管理长距离对话。 生产智能体经常参与数百轮的对话。我们实现了让智能体在工作阶段完成后总结并存储信息到外部内存的模式。当上下文限制临近时，它能生成具有干净上下文的子智能体，并通过交接保持连续性。这防止了上下文溢出，维持了对话的连贯性。

子智能体输出到文件系统，减少“传话游戏”。 允许子智能体将其输出直接写入外部文件系统（如工件系统），而不必全部通过主智能体，能提高保真度和性能。这可以防止多阶段处理中的信息丢失，并减少Token开销。对于结构化输出（如代码、报告、数据可视化）尤其有效。