多智能体系统就是让多个 AI 智能体一起干活的办法:一个复杂任务被拆成若干子任务,分给各有专长的智能体,它们一边做自己的部分,一边互相传消息、对齐进度,最后由统筹者汇总成一个结果。它和单个智能体的差别不在模型更强,而在分工和协作本身成了系统的一部分。
多个智能体怎么分工
常见的分工有三种。流水线式:搜资料、写初稿、校对依次接力,前一步的结果就是后一步的输入;并行式:几个智能体同时从不同角度做同一件事,最后汇总比对;统筹式:一个管理者智能体负责拆任务、派活和验收,其他智能体只管执行。这和单个AI Agent自己拆任务、自己调工具不同,多出来的是一层协作关系:智能体之间靠传消息、共享工作区或者读写同一份文件来沟通,MCP 这类协议让它们调用同一批工具时口径一致。
为什么不是智能体越多越好
多智能体真正的短板在协作成本上。每多一个智能体,就多一份消息传递、一次对齐和一个可能出错的环节,任务拆得越碎,统筹的负担越重。Anthropic 发布的 MAMUBench 测评就说明了这一点:多智能体各管各反而拖后腿,有统筹者的编排得分比无统筹高出 10 到 45 个百分点。也就是说,决定成败的往往不是智能体的数量,而是分工是否清楚、谁来拍板、出错时谁负责收尾。
什么时候值得用
判断标准就三条:任务能不能拆清楚、拆完之后谁来验收、出错了谁负责。长报告、跨系统办事、需要多视角交叉核对的任务值得上多智能体:比如做一份市场调研,一个智能体搜公开资料,一个核对数据来源,一个写初稿,统筹者检查口径再合并成稿。反过来,一次问答、简单改写、成本敏感的小任务,单个智能体更快也更便宜。三个问题答不上来,就说明任务还没到用多智能体的份上,先把流程想清楚再说。