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。
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。
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
[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
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
Anthropic的多智能体系统框架逐渐成熟，提出了外部记忆和上下文管理的新方法。
关于多任务/多代理执行方式的讨论，探讨其在长时自动化中的实际意义和挑战。
关于多智能体系统的应用与挑战的讨论增多，强调了在实际应用中如何有效管理和优化智能体的能力。
关于多智能体系统的开发工具和框架的讨论增多，强调了开源平台和智能体构建的灵活性。
关于AI Agent在经济主体角色中的探讨逐渐增多，强调了AI Agent自主交易和协作的潜力。
关于Anthropic的讨论增多，涉及其对全人类的贡献及其企业性质的质疑。
AI Agent 现状的讨论逐渐增多，强调了多智能体系统在实际应用中的发展与挑战。
关于多智能体系统的协作与管理的讨论逐渐增多，强调了多智能体在复杂任务中的潜力和管理层的必要性。
关于多智能体和单智能体的讨论进一步深化，探讨各自的优势和应用场景。
对多智能体系统的具体构建方法和工程挑战进行深入分析，强调任务性能的提升。
Anthropic与Cognition之间的争论加剧，双方对上下文共享的看法存在分歧，分别阐述各自的观点。
多智能体系统的初步定义和应用探讨，Anthropic发布相关研究文章，强调多智能体的优势。