orange.ai

做 Agent 研究的不要错过今天 Anthropic 发布的关于多智能体系统的文章。 ## 什么是多智能体系统？多智能体系统是指由多个AI代理（如LLM）协同工作、并行使用工具来完成复杂任务的系统。与单智能体相比，多智能体系统能同时探索多个方向，分工明确，提升效率和覆盖面，尤其适合开放性、动态变化的问题。 ## 为什么要用多智能体系统？在过去的十万年里，人类个体的智能水平不断提升。而在信息时代，随着人类集体智慧和协调能力的提升，人类社会的能力也呈指数增长。 Agent 也是类似的，即便是通用的智能体，在单独运作时也会遇到瓶颈，而 Agent 群体可以完成更多的任务。在内部研究评估中，Claude Opus 4 为主导 Agent，Claude Sonnet 4 为子 Agent 的系统，比 Claude Opus 4 的单 Agent 性能高出 90.2% 。举例来说，当被要求识别信息技术标准普尔 500 指数公司的所有董事会成员时，多 Agent 系统通过将其分解为子 Agent 的任务找到了正确答案，而单 Agent 系统则无法通过缓慢的顺序搜索找到答案。 ## 为什么多智能体系统是有效的？搜索的本质就是压缩。从庞大的语料库中提炼 Insights。但是语料过于庞大，压缩就会失真。通过多智能体系统就能有效解决这一问题。子 Agent 在自己的上下文窗口中进行压缩，自主地为主 Agent 提供多个方面的浓缩信息。子 Agent 各有分工，使用不同的工具、提示词、探索路径，这样减少了路径依赖，实现多个独立方向的同时调查。多 Agent 系统的有效是因为他们使用了足够多的 token 来解决问题。在 BrowseComp 评估（测试浏览智能体查找难以找到的信息能力），80%的性能差异都可以用 token 使用的多少来解释。15% 的差异可以用工具调用次数和模型选择来解释。所以，多 Agent 是一种非常有效的架构。把工作分配给具有单独上下文窗口的智能体，以增加并行推理能力。 ## 多智能体系统的缺点缺点嘛，就是贵。智能体使用的 Token 一般是聊天的 4 倍。而多智能体系统使用的 Token 一般那是聊天的 15 倍。只有任务的价值足够高，才能对得起这么高的成本。此外，一些任务并不适合多智能体系统，比如要求所有智能体共享上下文，或多智能体之间具有依赖关系的任务。例如，大多数的编码任务，可并行化任务比较少。 ## 多智能体系统和 RAG 的区别是什么？传统的方法使用 RAG，静态检索。获取与输入查询最相似的一组数据块，并用这些数据块进行回应。而多智能体架构使用多步骤搜索，动态查找相关信息，结合新发现的信息，分析结果，并形成高质量的答案。流程图展示了我们多智能体研究系统的完整工作流程。当用户提交查询时，系统会创建一个 LeadResearcher 智能体，并进入迭代研究流程。 LeadResearcher 首先仔细考虑方法并将其计划保存到内存中以保留上下文，因为如果上下文窗口超过 200,000 个标记，它将被截断，并且保留计划非常重要。然后，它会创建专门的子代理（此处显示两个，但数量可任意），并执行特定的研究任务。每个子代理独立执行网络搜索，运用交叉思维评估工具结果，并将结果返回给首席研究员。首席研究员会综合这些结果，并决定是否需要进一步研究——如果需要，它可以创建更多子代理或改进其策略。一旦收集到足够的信息，系统就会退出研究循环并将所有发现传递给 CitationAgent，后者处理文档和研究报告以确定引用的具体位置。这确保所有声明都正确归属于其来源。最终的研究结果（包括引文）将返回给用户。