性能提升90%，Anthropic 首次公开多智能体架构构建全流程 原创 精华

Anthropic 6月13日分享了关于构建多智能体系统的架构设计，几乎是毫无保留地展示了如何从零开始打造一个强大的多智能体（Multi-Agent）DeepResearch 系统，也就是 Claude 目前内置的 Research 功能。  

整个内容干货满满，涵盖了架构设计、Prompt 提示词工程、效果评估，以及在生产环境中可能遇到的各种问题，可以说毫无保留。

下文对要点详细剖析。

1、多智能体系统的优势

为什么不用单个强大的 AI 智能体，而是要搞复杂的“多智能体”架构呢？

Anthropic 用数据给出了答案：在内部研究评估中，一个由 Claude Opus 4 担任“领导”，多个 Claude Sonnet 4 作为“员工”的多智能体系统，性能比单独使用的 Opus 4 高出 90.2%！

背后的逻辑其实很简单：通过投入更多的 Token 来解决问题。Token 的使用量本身就解释了80%的性能差异。多智能体架构通过并行处理，让多个 AI 智能体同时在各自的上下文中思考和搜索，本质上是扩展了解决问题的“算力”和“思考容量”，尤其适合处理那些需要“广度优先”探索的复杂问题。

不过，缺点也很明显：成本高昂。多智能体系统消耗的 Token 大约是普通聊天的15倍。因此，这种架构更适合那些价值足够高、能够承受高成本的复杂任务。

2、多智能体架构设计

Anthropic的 Research 多智能体系统采用了经典的“协调者-工作者”（Orchestrator-Worker）架构。一个“主导智能体”（Lead Agent）负责协调整个流程，并将任务分解后分配给多个并行的专业子智能体（Subagents）。

以下是整个架构设计工作流程的清晰描述：

引用与生成：当信息足够时，系统将所有发现交给一个专门的“引用智能体”（Citation Agent），确保所有结论都有可靠的依据，并最终生成带有引用的完整报告。

传统的检索增强生成（Retrieval Augmented Generation，RAG）方法采用的是静态检索：即根据输入查询检索出最相似的信息片段，并用这些片段生成回复。相比之下，我们的架构采用多步搜索，能够动态发现相关信息，及时调整策略，并对结果进行分析，从而给出高质量答案。

这种架构通过分工协作，极大地提高了复杂任务的处理效率和准确性。

3、多智能体系统的 Prompt 提示词工程设计

多智能体系统的复杂度呈指数级上升，很容易出现“为了解决一个简单问题而调用50个 AI 智能体”的失控局面。

而 Prompt 提示词工程是规范和引导 AI 智能体行为的关键。Anthropic 总结了以下8条核心法则：

1. 像 AI 智能体一样思考：在控制台（Console）中模拟 AI Agent 的工作流程，逐个步骤观察其行为，这样才能直观地发现问题。
2. 教会 Lead 智能体如何描述子任务：给子智能体的任务描述必须清晰明确，包括目标、输出格式、使用工具和任务边界。模糊的指令如“去研究一下XX”是远远不够的。
3. 根据任务复杂度调整资源投入：在 Prompt 中明确指定不同难度任务的资源配比。简单任务用1个 AI 智能体，复杂任务则动用10个以上 AI 智能体，避免小题大做。
4. 工具设计和选择至关重要：工具的描述必须清晰且有区分度。同时，要给 AI 智能体一些启发式规则，比如“先浏览一遍所有可用工具再做决策”。
5. 让 AI 智能体自我改进：Anthropic 创建了一个“工具测试 Agent”。它会反复试用新工具，并自动重写工具的描述文档，以便后续 AI 智能体使用起来更加顺手。结果是任务完成时间减少了40%。
6. 先广后窄：引导 AI 智能体像人类专家一样进行研究，先用宽泛的查询了解全貌，再逐步缩小范围，而不是一开始就使用一个又长又窄的查询，否则可能什么也搜不到。
7. 引导思考过程：使用“思考模式”（extended thinking），让 AI 智能体把思考过程写下来。Lead 智能体用它来规划，子智能体用它来评估每一步的工具调用结果。
8. 并行工具调用改变游戏规则：让 Lead Agent 并行分派子 Agent，再让每个子 Agent 并行调用工具。这两层并行直接将复杂查询的耗时减少了90%。

4、多智能体系统的有效评估

评估多智能体系统不能像传统软件测试那样，只检查它是否遵循了预设的“正确”路径，因为通往正确答案的路径不止一条。Anthropic 的经验是：

• 立即开始小样本评估：在开发的早期阶段，一个小小的 Prompt 调整可能让成功率从30%飙升到80%。这种巨大的变化通过20个测试用例就能明显看出。不要等到构建几百个测试用例的完美评估系统才开始动手。
• 用 LLM 当裁判：对于研究这类开放式输出，让 LLM 根据一个标准化的评分表（比如：事实准确性、引用准确性、完整度、信源质量等）来打分，是一种既可扩展又具一致性的方法。
• 真人测试必不可少：自动化评估总有盲点。比如：真人测试员发现早期 AI 智能体总是倾向于选择 SEO 过度的内容农场，而不是权威的学术 PDF。这些细微的偏好只有通过人工测试才能发现。

5、多智能体系统生产环境下的可靠性与工程挑战

从能够运行的 AI 智能体原型到稳定可靠的生产系统，中间隔着巨大的鸿沟。以下是四大工程难题：

第一、错误恢复

AI 智能体是长时间运行的，一旦出错，不能简单地从头开始（成本过高）。必须建立一种机制，能够在错误发生的地方恢复，并让 AI 智能体学会优雅地处理工具失效等问题。

第二、非确定性下的监控

AI 智能体的行为是动态的，且不完全可复现，这使得调试变得极其困难。唯一的解决办法是建立完善的生产环境追踪系统，监控 AI 智能体的决策模式和交互结构。

第三、部署协调

线上随时有大量 AI 智能体在运行，不能直接暴力更新。他们采用“rainbow deployments”（彩虹部署）的方式，平滑地将流量从旧版本迁移到新版本，确保服务不中断。

第四、同步的瓶颈

目前系统是同步的，Lead Agent 必须等待一批子 Agent 全部完成后才能进行下一步，这效率很低。未来向异步执行演进是必然趋势，尽管这会带来状态一致性、错误传递等新的挑战。

6、总结

在构建 AI 智能体的过程中，最后一公里往往成为最为艰难的阶段。开发者本地能够运行的代码，距离成为可靠的生产系统还需要大量工程化努力。在 AI 智能体系统中，错误具有复合特性，这意味着对于传统软件而言的轻微问题，可能会导致 AI 智能体完全崩溃。只要某一步失败，AI 智能体就可能走向完全不同的路径，进而产生不可预测的结果。正如本文所述，从原型到生产环境之间的鸿沟，往往比人们预期的更为宽广。

尽管存在这些挑战，多智能体系统在开放性研究任务中依然展现出巨大价值。用户反馈称，Claude 帮助他们发现了未曾考虑过的商业机会，理清了复杂的医疗方案，解决了棘手的技术难题，还能通过揭示原本难以独立发现的研究关联，节省数天工作时间。只要注重工程细节、全面测试、精心设计提示词和工具、完善运维实践，并确保研究、产品与工程团队之间紧密协作，对当前 AI 智能体能力有深刻理解，多智能体研究系统完全可以在规模化应用中保持可靠运行。我们已经看到，这些系统正在改变人们解决复杂问题的方式。

本文转载自​​玄姐聊AGI​​  作者：玄姐