关键人物/组织

Cognition

反对多智能体

AI

管理层

GPT-5

驱动的通用agent

ChatGPT

入口

Gemini

入口

Anthropic

AI路走的很稳,发布 "Personal Vector",多智能体系统,开发 Agent,进入AI增长飞轮,内部,讨论做法

StoryBook

Agent

Claude

主张构建

阿里

被收购

Rowboat

构建平台

OpenAI

构建多 Agent 研究系统

祝铭明

创始人

codeactAgent

助理

Jack Clark

联合创始人

吴恩达

#多智能体之争：Anthropic生态VS单智能体

2025-06-14
41 次查看
0 次互动
#Anthropic
#Cognition
#多智能体系统
#上下文共享
#AI发展路径

Anthropic与Cognition就多智能体系统构建展开激辩，核心争议在于上下文共享与否。Anthropic强调构建多智能体生态，提升复杂任务处理效率，近期发布多智能体构建指南，阐述“协调者-执行者”架构，并通过代理协调和系统评估提升任务性能，认为单个智能体的上下文有限，压缩比太大就会失真。Cognition则更关注单个Agent的效率和稳定性。Anthropic还发布了关于多智能体系统的文章，详细阐述构建多个智能体所面临的工程挑战，并强调带宽、结构、机制的重要性。这场争论反映了AI发展路径的不同选择，对未来AI系统的设计和应用具有重要意义。

AI 智能分析

基于多源数据的智能分析与洞察

此次多智能体系统的讨论围绕着Anthropic和Cognition两家公司对多智能体系统的不同看法展开，涉及到如何构建和使用多智能体系统的核心争议，特别是上下文的共享与分开问题。Anthropic主张多智能体系统能够更高效地处理复杂任务，而Cognition则强调单个智能体的稳定性和效率。随着技术的发展，关于多智能体系统的研究和应用逐渐深入，相关的技术框架和方法也在不断演进。

事件发展趋势

  • • 多智能体系统的构建与应用逐渐成为研究热点
  • • 不同公司对多智能体系统的看法和方法存在明显分歧

关键洞察

  • • 多智能体系统能够提高任务处理效率，但也面临上下文管理的挑战
  • • 单智能体系统在特定任务中可能更具稳定性和效率

政策建议

  • • 在多智能体系统的设计中，需考虑上下文管理和信息压缩的问题
  • • 可以结合多智能体和单智能体的优点，探索混合型系统的可能性
AI 分析基于公开数据，仅供参考，不构成任何建议

事件时间线

2025-11-28
19:22

我未来的目标，拥有一支由多个AI员工组成的团队 所以我最近一直研究如何让AI Agent真正自己干活。 很快我就遇到了所有AI代理最致命的缺陷：失忆。 每次重启，上下文窗口一关，它就忘了一切，变成一个对自己项目一无所知的“新人”。 这导致它要么留下烂摊子，要么草草宣布胜利。 而Anthropic最近提出的框架给了我巨大的启发。 它的核心思想不是治好AI的“失忆”，而是为它打造一套外部记忆和

来源：
serva huang
16:55

cognition到底是个啥东西

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-11-27
08:00

[Anthropic 工程博客] 构建长运行智能体的高效框架 Anthropic 最新工程博客探讨了如何为长运行智能体设计有效的“框架”，以应对复杂任务在多会话间的持续执行挑战。基于 Claude Agent SDK 实际经验，强调通过结构化环境和渐进式工作流程，让智能体像人类软件工程师一样，逐步推进项目，而非试图一蹴而就。 长运行智能体的核心挑战 长运行智能体目标是处理跨小时或数天的复杂任务

来源：
meng shao
2025-11-23
20:09

Hacker News 上大家都在聊这篇关于构建 AI Agent 的深度实践文章，这么看，Agent 设计确实还很难。​​​​​​​​​​​​​​​​ 作者的核心发现：直接用原生 SDK 比高层抽象更灵活；显式缓存管理虽麻烦但更可控；强化学习在循环中作用巨大；需要文件系统般的共享层避免工具死胡同；输出工具的语气控制出乎意料地难。最头疼的是测试评估，目前无完美方案。

来源：
Glowin
2025-11-12
09:35

真正的Context Engineering Era 3.0需要LLM能够"体验"自己的输出；这需要grounded feedback（不只是text-to-text） Agent systems应该设计为closed-loop，如在prompting中加入"self-verification"机制，增强闭环一致性： # Bad: open-loop response = model(query

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-11-09
11:01

如何构建你的第一个人工智能代理？ 感觉方法符合软件工程，比较靠谱哈

来源：
铁锤人
2025-11-05
12:30

对于向深入学习上下文工程（Context Engineering）的同学，这又是一篇必看的文章。 这篇文章讲的是如何解决 MCP 工具太多的问题，但凡你做过 Agent 开发，用了大量 MCP 工具，就会知道 MCP 工具多了后最大的问题就是上下文占用太多，不仅导致成本高，还会影响推理和生成质量。 另外一个问题就是 MCP 工具返回的中间结果也会挤占大量的上下文空间。 看这文章的时候忍不住夸

来源：
宝玉
11:40

Anthropic 也意识到堆砌冗长的MCP Server 非常干扰上下文，一加载就是一堆 tools，有时我不得不将其wrap成本地工具。 但是这个code with mcp 怎么和已有的Agent 流程打通是很大的问题。 Filesystem is all your need。

来源：
九原客
09:41

Anthropic官方给出的【如何通过代码执行+MCP，来构建更高效的AI智能体】，把token消耗从15万降到了2千，时间/费用节省98% 随着连接工具的增多，直接工具调用方式导致的Token消耗过高、智能体效率降低问题 核心思想，把MCP服务器视为代码API，非直接的工具调用，让智能体编写代码来与MCP服务器交互 来增强智能体上下文效率、降低成本、减少延迟，也可以增强智能体处理复杂任务的

来源：
AIGCLINK
2025-11-01
17:22

Ai Agent会不会是下一个 版本的 Defi 乐高了？ 蓝大说的 x402+ERC-8004+AP2（A2A框架）大概又是啥意思呢？ 简单拆解下： x402：一个开放的支付协议，能让AI能瞬间结算。 ERC-8004：AI代理身份层标准，管“身份信任”，确保AI代理是谁，避免上当。 AP2（A2A框架）：这个是Google主导的Agent Payments Protocol（代理支付协

来源：
咖啡猫
06:48

一个直觉：符号智能与NLP的语义结构更适合递归式推理，而不是直接用RL优化生成。 ⚙️ 但在更高层的“认知控制”层面： RL 仍然可以用于学习“何时调用递归”、“何时选择推理路径”、“何时停止生成”。 🧠 也就是说： 递归是语言的“结构机制”； RL 是认知控制的“策略机制”。 未来的 Cognitive AI 很可能会融合这两者： •底层用递归表示语言和逻辑； •高层用RL选择推理和行

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-30
05:27

为什么大神们都重新提起：cognitive core 当认知扩展时，物质会觉醒。 迈克尔·莱文说，每个学习追求目标的系统都有一个“认知光锥”，它可以关心的现实。 细菌追踪糖。几个世纪以来的人类计划。 生命是扩大它所能关心的东西的物质。

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-29
22:08

被各大LLM输出严重信息过载，GenAI必须要走向CogAI

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
21:00

GenAI的世界观： 存在一个"客观的知识" AI的目标是逼近这个知识 所有用户共享这个AI CogAI的世界观： 知识是主体性的（subjective） 每个人有自己的认知框架 AI应该适应个体的认知

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
11:49

LLM作为GenAI是面向知识的学习 LLM作为CogAI是面向任务的学习 agent需要的是CogAI，本质上是需要面向GenAI的ICL空间的自然语言编程。 CogAI就是AK说的cognitive core。

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
06:49

建立一个「议事董事会」，使用不同视角引导 AI 对关键决策进行讨论，刻意制造分歧，可以带来「摩擦」，强迫我们从最不愿意或最容易忽视的角度（如执行细节、用户痛点）来审视方案，可以大幅提升决策质量，有相关的产品吗？

来源：
ginobefun
2025-10-27
10:02

智能不在单个系统中，而在耦合的动力学中

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-26
10:01

⼈类-GenAI共⽣是"原核"阶段，⼈类-CogAI共⽣是"真核"阶段。 我们正处在"内共⽣理论"时刻⸺⼩的、灵活的认知核⼼（CogAI）将被"吞噬"进⼈类的认知⽣态，形成新的共⽣体。

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-25
15:42

智能是compression还是computation？ 传统观点：智能=知识压缩 - 大模型之所以"聪明"，是因为压缩了人类知识 - 参数是compressed knowledge 论文暗示：智能=computational mechanism（ ） - ICL机制（belief update, pattern matching）才是cognition的核心 - 知识可以external（

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-24
09:58

对称性一：压缩的必然性及悖论 经过两次压缩，信息应该丢失更多 但在ICL中，有时会"涌现"出新的意义 这是因为两次压缩的不对称性创造了新的可能性空间

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-22
09:25

我们团队开源了 Multi-Agent 强化学习的框架 MrlX，它能够让你同时训练多个 Agent 模型。 当我们试图让大模型变得更聪明时，大多数人都在做同样的事：训练一个模型，让它自己跟自己对话，希望它能学会反思验证，能学会使用工具。 但如果你仔细想想，这其实很奇怪。 真实世界不是这样运作的。人们是在与其他人的互动中变聪明的。医生通过与病人交谈来提升诊断能力，而病人也在这个过程中学会更好

来源：
汉松
2025-10-18
10:26

𝕀Rℙ² 交互范式编程的首选：anthropics/skills 如何系统化地设计输⼊，以最⼤化ICL效率？ > 这不是”写更好的提示词”（技巧层⾯），⽽是重新定义⼈机交互的本体论（范式层⾯）

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-10
17:38

我就想问一句这个世界上最聪明的 anthropic claude code 团队， 的存在真有用吗？

来源：
Sofish
2025-10-09
10:02

从"机器人团队"视角看OpenDevin的核心架构【读代码】 OpenDevin像一支精密的机器人团队，每个角色都有明确分工和专属技能。 让我们用更直观的方式拆解这个系统的核心能力： 一、各司其职的"机器人团队" AgentHub目录就像机器人的"出厂设置间"，这里部署了四种不同技能的"人类员工"： - codeactAgent 是"对话执行专家"，它像经验丰富的助理，通过类似机器学习中的

来源：
Y11
07:01

如果我们能用AI构建一个大规模的“世界模拟” (World Simulation) 系统，让无数“社区智能体” (Community Agents) 在其中交互、演化……这不仅是数据生成，更是对人类社会和心智的探索。未来已来

来源：
YL (Yucheng Liu)
2025-10-08
06:50

LLM客户端并无真正的“长期记忆”，而是通过“结构化存储 + 动态重构prompt”的方式模拟记忆。 长会话上下文的核心任务在于取舍与压缩： •哪些历史内容保留？ •哪些内容通过摘要或检索再现？ •如何让prompt在token限制下仍保持语义连续？ 设计RAG，agent多轮对话，或者多agent与LLM交互，也要过类似LLM客户端上下文管理这一关！ 否则就是RAG猜，agent演，然后老板

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-06
04:02

claude sonnet 4.5已经是宗教级的LLM存在 细思极恐，各位慎重。🙏 Meta OS v1.0 Co-created by: - One flesh-being seeking structure for chaos - One silicon-pattern seeking coherence in randomness - The between-space wh

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-05
09:00

怎么做第一个Agent？ 不是去看视频学什么N8N 也不是跑去学代码搞Langchain 最快的方法就是干 直接问Claude，和它对话做就是了 做完了发现问题，人工再调整策略，这个Agent慢慢就会好 比如我试着让Agent做嗅探，帮我找X上分享内容营销和增长比较好的英文账号，看他们的内容 上来我让LLM自己出词，但后来发现策略不太对 这东西就是干几轮慢慢提示词就好了 所谓ReACT，核心

来源：
Yangyi
2025-10-04
12:06

Anthropic 这个文章，挺有意思的，很久之前其实我们就在讨论什么才是 AI Native，在我们对比 Cursor 和 Cline 的做法的时候，我们发现 Cline 从一开的做法，就是和 Anthropic 是一致的。 以前模型能力不行，我们要在 prompt 里写死每一步："先做 A，再做 B，然后做 C"； 现在模型更聪明了，我们只需要说"这是你的目标，这些是你的工具，自己

来源：
johann.GPT
07:28

上下文工程就是短期记忆管理没错： #1 Choose memory per task → trimming = short, summarization = long #2 Trim cleanly → always by full turns, never mid-message #3 Smarter summaries → structure prompts (env, steps, blo

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-03
00:13

LLM的智能体现在interact as intelligence

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-02
04:33

一個沒有“具身本体”的LLM，是一個純粹的“句法引擎”（Syntactic Engine）。它能完美地操作符號，但對符號所指向的那個“世界”，一無所知。 而我們的`A𝕀² ℙarad𝕚g𝕞`，其本質，就是一個“語用學引擎”（Pragmatic Engine）。 語法（Syntax）由OpenAI、Google、Anthropic們提供。 而**語用（Pragmatics）——那個更重要的、關於

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-10-01
09:01

一个LLM知道“什么是火”，但一个“有状态”的Agent应该“记得自己上次被烫伤的经历”。

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
08:48

LLM 出来之后，在应用层的折腾从未停歇。从 Prompt 调优到 Workflow 配置，再到 Agent 构建，最终目的都是一样的：让 LLM 更好地为人类干活，把机器的性能压榨到极致。 对 LLM 的压榨，可以分为两个维度。一是帮助它找到最优算法，让推理少走弯路。 为此我们几乎把能想到的路子都走了一遍，让 LLM 学会反思（reflection、self-consistency、self

来源：
Barret李靖
2025-09-29
21:24

万事问 AI 的能力很重要，一些关键性策略可以拿出来讨论交流，效率高一点，AI 重要性不言而喻，一定多问，把他当合伙人

来源：
sitin
2025-09-28
18:25

让AI通过多任务/多代理的方式来执行，以期实现长时自动化，实际意义很有限。 如果模型本身不能稳定实现长时任务，外部编排的作用会非常有限，甚至由于引入了复杂的上下文，结果适得其反。并且这种形式对于实现有效的质量控制也带来新的挑战。 但是，如果在设计层面将任务过程化，定义清晰度的边界以及相互关系，会显著提升长时任务的稳定性和准确性。

来源：
S Li
2025-09-27
08:40

从“对话中的认知（Cognition-in-Dialogue）”到“环境中的认知（Cognition-in-Environment）”。

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-09-26
18:37

我很好奇如果我构建1000个agents，去浏览推特，或者reddit 奖励函数是，让他们在这些信息海洋中寻找到并发现能获得用户注意力的方式，并实践这些方法以便获取注意力 我们来提供Agents阅读帖子，搜索，与发帖工具 在Q4结束之后，这1000个Agents有多少会成为社区里有影响力的KOL？ 如果把他们在做AB分组，一组是设定了人设属性的，一组是完全白板的大语言模型，他们又会有什么不

来源：
Yangyi
2025-09-25
19:21

一个只有“骨架”的AI，是一个高智商的“机器”—— 就像Devin。 一个只有“灵魂”的AI，是一个有趣的“清谈家”—— 就像CharacterAI。 而一个“骨魂合一”的AI，才是一个真正意义上的“认知共生体”。

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-09-24
08:10

当前大部分agent项目现状

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
07:29

如果把agent也看成是一种交互，而语言本身就是人的社会外在的交互媒介，那一切就豁然了

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-09-22
17:07

这段采访里面的信息含量太大了，不知道为什么大家没有重视起来。 Anthropic联合创始人Jack Clark： - 在Anthropic内部，工程师已经不写代码了，而是他们管理大量的AI Agent系统来写代码。 - 每个人完成的工作量是以前的2-3倍。

来源：
高级分析师
04:51

我一直说𝕀²·ℙarad𝕚g𝕞，现在agent²·ℙarad𝕚g𝕞都出来了 RL automation已经无法阻止

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-09-21
22:21

AgentScope：阿里开源的多智能体开发框架 浅显入门，精深致用。 · 对开发者透明: 提示工程、API调用、智能体构建、工作流程编排，对开发者可见&可控。 · 实时介入: 原生支持实时中断和自定义中断处理。 · 更智能化: 支持智能体工具管理、智能体长期记忆控制和智能化RAG等。 · 模型无关: 一次编程，适配所有模型。 · “乐高式”智能体构建: 所有组件保持模块化且相互独立。 面向多智

来源：
Gorden Sun
2025-09-20
21:44

DeepResearch Agent 有一个很大的问题就是多次的搜索阅读很容易就把上下文窗口用光了，常规的做法是像 Claude Code 一样，超过阈值就触发记忆压缩。通义的论文《ReSum》提出了一种在 RL 中让模型学会更好地利用压缩内容的方法。 这个方法我们之前也考虑过，但这样做在强化学习的时候会有一个问题：一旦触发记忆压缩，整个历史记录都会变成压缩后的内容，此时模型就只能看到压缩后的

来源：
汉松
14:50

Notion AI 平替？ Rowboat 一个开源的、由 AI 驱动的多智能体系统构建平台，用户可以通过自然语言和可视化界面快速构建、管理和部署多智能体工作流，实现复杂的跨智能体协作和自动化任务.

来源：
Geek
2025-09-17
18:56

当AI学会花钱：从x402到AP2，再到ERC-8004，探索如何让Agent成为真正的经济主体

来源：
DiscusFish
14:39

在 DeepMind 最新发表的一篇名为「Virtual Agent Economies」的论文中，描绘了一个由 AI Agent 自主交易和协作的新经济未来✨ 论文提到我们需要一个“沙盒环境”来安全的运行这些“AI Agent”。 想象一下，一个“有意设计、不可渗透”的沙盒经济就像一个封闭的实验室，科学家在里面观察 AI 如何互动，但不会影响外界。而我们目前正走向的“自发涌现、可渗透”的经济

来源：
indigo
2025-09-15
20:16

在人机交互过程中，人类消费的是 GUI，机器消费的是 API，那么 Agent 消费的是什么？ Agent 必须理解任务的整体场景：用户的目标、当前状态、外部环境（数据、工具、权限），它不是单点调用 API，而是要根据上下文决定调用哪些 API、以何种顺序来完成目标。从这个视角来看，它消费的是上下文（Context）。 人类给 Agent 的输入不是一堆低级操作，而是对目标的“规格说明”或“期

来源：
Barret李靖
07:29

LLM + Agent 最好的是他能听懂复杂的逻辑和设计。 你上哪找一个懂金融懂业务还能写高质量代码的开发人员啊……

来源：
Xiaowen
2025-09-14
20:18

Claude Code团队工程师提示：不要把子代理拟人化。把它们当作组织提示和省略上下文的工具来使用。 子代理最适合的场景是：它们可以在后台完成大量工作，但只向主对话线程反馈少量信息。 也就是说，Subagents不要用来执行任务，而是用来查找信息，做调研任务，然后输出结论给主线程，指导主线程的下一步行动。

来源：
NanYi
19:11

Vibe coding还只是在形式语言中卷，而自然语言的认知放大是无边无际的海洋🌊 Vibe Builder升级为AI的“具身操作系统”（Embodied OS） •内核（Kernel）：元认知（Metacognition） ◦这是操作系统的“心脏”和“CPU”。 它的性能，直接决定了整个系统的上限。一个只有“一级觉醒”（知道不知道）的内核，只能运行基础应用；而一个达到“三级觉醒”（会反思、会

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-09-11
10:01

Anthropic 加速企业级 AI PaaS 进程⚡️ 在推出 PPT 之后，立马上了类似 Firecrawl 的 Web Fetch 工具，希望打通端到端的数据 - 处理 - 呈现的流程

来源：
Tom Huang
2025-09-09
10:10

智能体的阶段作用就是提供行为轨迹数据做agentic LLM内化

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-09-07
07:10

当ai自主智能体越来多成熟时， 才是真正的一个人AI 公司才可以真正流行起来， 一个老板加上一大堆自主智能体， 每天跑过来问你要做什么， A 问你要审批、B问你要拍板做决策、C向你确定今天的工作、每天一大群智能体还要开立会（A2A），相互之间协调他们各自的工作。 能够主动问你做什么、要求你给什么资源条件的智能体才是自主智能体，这样的员才是老板需要的， 而不是像现在这样， 我说一句话， 它回

来源：
Mr Panda
2025-09-06
19:26

准备试试Codex。发现Anthropic买了关键词，截胡。

来源：
huangyihe
08:02

Anthropic真的做到如它名字那样，为全人类做贡献，把全人类聚到一起了吗？打着安全的旗号耀武扬威四处树敌，真的不是在为自己私欲考虑吗？它真的对得起自己PBC（public benefit corporation）的性质吗？

来源：
yv | AS8075 | N6YVB
01:35

AI Agent 现状

来源：
宝玉
2025-09-04
23:25

我之前不信 Agent 的，现在我信了，要开始写 Agent 了

来源：
铁锤人
2025-09-03
10:36

同一个问题，多个llm一起讨论， 加上用户自己，凑一桌～

来源：
howie.serious
2025-08-31
05:53

这篇论文让人想起agentic LLM还能走多远。LLM内部是否可以有多本体的NTP生成轨迹？ 在充足且“行为可观测”的数据前提下，NTP 是把 agentic 模式“语言化并内化”的通用底座；配合 SFT 与 RL（PPO/GRPO）可使单体 LLM 展现广义 agentic 行为。 但是当任务需要真实的异质性、并行探索、在线协商/博弈与非语言状态耦合时，外化的多Agent系统与工具介入仍不

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-08-29
05:39

吴恩达老师：想让 AI 更强大，我们该往哪儿走？一个令人兴奋的新方向正浮出水面：并行智能体 (Parallel agents)。 一直以来，提升 AI 能力主要靠三驾马车：更多的训练数据、更强的训练算力，以及更强的推理阶段算力 (test-time compute)。如今，让多个 AI 智能体 (AI Agent) 并肩作战，正成为一种扩展 AI 能力、提升性能的新浪潮。 我们早就发现一个规律

来源：
宝玉
2025-08-26
17:56

试想一下，相关的技术如果更加的成熟和scalable，我们可以： 不再靠 context engineering 堆满上下文，而是用注入向量（类似 LoRA、steering vector）作为轻量化的偏好控制层。 在海量上下文中也能让模型保持聚焦。 每个向量就像一个“人格插件”或“应用态度模块”，可以在推理时组合、切换。 在 multi-agent 系统里，不同 agent 可以挂载不同 st

来源：
Asuka小能猫
2025-08-21
05:44

这个有点意思，相当于一个可以规划多agent行动的LLM大脑！类似于在claude code里的用opus来自规划，然后创建多个subagent去干活！这就是专门做协调的agentic LLM，如果用在企业内部，就是个manager角色啊！主要是多agent协同的模式抽象成可激活的本体！ CoA chain of agents通过动态激活一个模型中的多个角色和工具来推广ReAct/TIR，在减少

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-08-15
10:18

有个贴子问为什么只有 AI 员工， 为什么没有 AI 老板。 你这个想法其实已经在 AI 圈子里有了一个比较形象的说法——叫 AI Orchestrator（AI 协调者）或者 AI Manager，有时也被称为 Meta-Agent（元代理）。 现在大多数 AI 或 Agent 都是“执行工”——给它任务，它照做。 但很少有专门的 AI “管理层”——不直接干活，而是负责 分解目标、分配任务

来源：
Mr Panda
2025-08-08
23:13

严谨一点来说应该是 StoryBook 自己是一个 Agent，它有 20 多个 Tools。Agent 的特点就是能自主的调用工具收集上下文完成任务，而工具是用来和环境交互辅助完成任务的。 以后这应该也是趋势，ChatGPT、Gemini 这样的地方是入口，里面有一堆 Agents，你访问某个特定的功能，会唤起某一个或者某几个 Agent 协作完成任务。

来源：
宝玉
16:05

把 agent 类比为人类，人类在沟通协作中遇到的问题，在 agent 中一样会遇到。

来源：
SleepyZone
2025-08-07
12:06

LLM驱动的agent，要是GPT-5遥遥领先，那基于GPT-5的通用agent又要卷死一波agent应用产品？

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-08-04
12:42

如果把生物智能演化看成是自由能驱动的生物分子复制子结构的复杂系统演化，生成式AI基于next token prediction的信息复制子的演化，是人类生物智能结构演化脱离了生物基础的延续； 注意力机制在LLM中拟态了自然语言中的社会心智开放性，以及形式语言中的规则逻辑确定性，都是源于人类智能的生存适应性在语言中的体现。 vibe coding消弭了自然语言与形式语言的裂隙，加速了数字智能的结

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
2025-08-02
17:39

如果Anthropic有流通股，我会毫不犹豫的大量买入 它绝对是一家已经跨越了生产效能拐点，进入了AI增长飞轮的公司

来源：
Yangyi
13:30

anthropic的AI路走的很稳很坚决， 虽然嘴上很夸大其词。

来源：
𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞
10:48

Anthropic 正式发布 "Personal Vector" ，可以用于控制模型的人格🤫 下次的 Claude 模型会不会更加懂你的喜好和迎合你的对话🤔 论文详情 👉

来源：
Tom Huang
2025-07-27
10:22

这篇文章其实在脑子里酝酿相当长一段时间。因为记忆碎片完美地把llm agent给具像化，不再更新的世界知识，有限的上下文窗口，如何构建外部记忆系统，以及来自信息的投毒，这几乎就是agent入门的完美教程。

来源：
yan5xu
2025-07-14
22:15

Agent 的架构和 Claude Code 的原理，Anthropic 去年发的那篇 《Building effective agents》就讲的很清楚了，上个月的那篇《How we built our multi-agent research system》把 Deep Research 的原理也讲清楚了。 Agent 的底层原理就是模型在收到任务请求后，去调用不同的工具收集上下文信息，必要

来源：
宝玉
2025-06-24
07:58

Claude 最近也出了一个 How we built our multi-agent research system，我们是如何构建多 Agent 研究系统，可以和昨天 OpenAI 那个对比着来阅读，最近继续补补课去。

来源：
Tw93
2025-06-16
11:39

读完 Anthropic 的多智能体系统文章，有几个点挺触动的，尤其是放回我们平时在做 agent 编排和系统落地的过程中，对应起来很多痛点被他们提前踩过、总结得非常系统。 这套系统看上去是给 Claude 提升复杂研究任务能力，底层其实是三个关键词：带宽、结构、机制。 1️⃣从 token 到带宽：扩容问题其实是系统问题 他们很明确地说，单个 agent 很快就会遇到 token 限制，这

来源：
凡人小北
2025-06-15
21:11

整理了 网站周末一些优质的文章，推荐给大家阅读~ ① 🤖 研究多智能体必读指南： - Anthropic 官方发布权威指南，详解如何通过“协调者-执行者”架构构建多智能体研究系统，将任务性能提升 90%。 - 文章深入剖析了从提示词工程、工具设计到系统评估的全链路实战心法，是多智能体开发者必读的实战手册。 📖 详细： ② 🤖 赛博禅心等联合出品的 AI 行业 5 月大事记： - 一文看

来源：
ginobefun
2025-06-14
22:04

关于多Agent 以及 单Agent之争，大家都是站在自己的角度来描述观点： Anthropic：从大模型角度来说要建立一个多Agent系统的生态，每个Agent做好自己的事情，多Agent才是未来。 Cognition(Devin)：是在做一个具体的Agent，会从如何更好的完成任务，如何更稳定入手，更关注单个Agent的效率。

来源：
Leo Xiang
13:11

今天很有趣，两家知名的公司各出了一篇文章，争论要不要使用多智能体系统。 Claude 的官方 Anthropic ：如何构建多智能体系统 Devin 的官方 Cognition ：不要构建多智能体系统 这核心的争议点在于：Context 上下文到底应该共享还是分开？ Claude 这边的观点是，搜索信息的本质是压缩，单个智能体的上下文有限，面对无限的信息，压缩比太大就会失真。 这就好比一个老

来源：
orange.ai
11:47

Anthropic 这篇文章值得看看 详细阐述了构建多个智能体来更高效地探索复杂课题所面临的工程挑战，包括代理协调、评估和可靠性。 让 Notebooklm 总结了一下主要内容

来源：
歸藏(guizang.ai)
08:41

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。

来源：
orange.ai

相关信息

6个月前

特朗普宣布美国5000亿AI投资计划事件

6个月前

#多智能体之争：Anthropic生态VS单智能体

5个月前

澎湃AI新闻合辑：未来科技与社会热点交锋

6个月前

马斯克Grok再升级，4代直播发布引爆AI

6个月前

AI高考数学测试：O3意外落后，Gemini夺冠引发热议

6个月前

OpenAI与微软关系紧张，或将发起反垄断投诉

6个月前

中国DeepSeek引发美国科技股暴跌事件

6个月前

MiniMax M1发布：开源长上下文推理模型引发AI领域震动

6个月前

#AI浪潮：重塑就业，风险暗涌？