性能超越SOTA模型90%！揭秘Claude多智能体系统的构建心法

图片

AIGC新知

分享AI实践，探讨人与AI如何协作 --〉智能体 | 工作流 | 大模型 | AI赋能。

292篇原创内容

我们最新推出的 Research 功能，赋予了 Claude 利用多个AI智能体（Agent）协同工作的能力，以更高效地探索复杂问题。

从一个原型到稳定的生产级系统，这段旅程充满了工程挑战，也让我们学到了关于系统架构、工具设计和提示词工程的宝贵经验。

本文将深入剖析我们构建这一复杂系统所遵循的核心原则。我们相信，这些经验对于任何想要构建自己的多智能体系统的开发者来说，都将极具价值。

本文是针对claude最新blog的解读。

一、为什么选择多智能体系统？

研究工作常常涉及开放式问题，其探索路径充满未知与动态变化。你无法为复杂课题预设一条固定的解决路线，因为真正的研究总是在不断发现新线索、调整方向的过程中前进。

图片

这种不确定性，恰恰是AI智能体大显身手的舞台。

1. 模拟人类的集体智慧

多智能体系统的核心优势在于“分而治之”与“并行处理”。它就像一个高效的研究团队：一个“首席研究员”负责规划，然后将任务分解，交给多个“子研究员”（Subagent）去并行探索不同方面。

每个子智能体在自己的上下文中独立工作，深入挖掘信息，然后将最精华的洞见“压缩”并汇报给首席，从而实现高效的“情报压缩”。

正如人类社会近万年的发展证明，个体的智力提升是线性的，而群体的集体智慧和协作能力则带来了指数级的飞跃。AI智能体同样如此，单个智能体能力再强也有极限，而智能体集群能完成的任务则远超想象。

2. 惊人的性能提升

我们的内部评估显示，对于需要同时探索多个独立方向的“广度优先”类查询，多智能体系统表现尤为出色。

在一个内部研究评估中，由 Claude Opus 4 担任首席、Claude Sonnet 4 担任子智能体的多智能体系统，其性能比单兵作战的 Claude Opus 4 高出整整 90.2%。

例如，在“找出标普500信息技术板块所有公司的董事会成员”这一任务中，多智能体系统通过高效分解任务，成功找到了答案；而单个智能体则因缓慢的串行搜索而最终失败。

3. 成功的关键：足够的“思考量”

我们发现，性能差异的95%可由三个因素解释：模型选择、工具调用次数，以及最重要的——Token（代币）使用量。其中，Token使用量本身就解释了80%的性能方差。这验证了我们的架构设计：通过将工作分配给拥有独立上下文窗口的多个智能体，系统获得了更强大的并行推理能力，投入了足够的“思考量”来解决问题。

当然，凡事皆有代价。 多智能体系统消耗的Token数量非常可观。我们的数据显示，智能体交互的Token消耗约为普通聊天的4倍，而多智能体系统更是高达15倍。这意味着，它更适用于那些“结果价值远高于计算成本”的高价值任务。

每天解决一个日常生活的小痛点，今天，你想让我帮助你解决什么？

AIGC新知：畅所欲言，或许，你就是下一个拯救世界的人。

转发3赞1

问一问

二、系统架构概览：总指挥与执行者

Research系统采用“编排者-工作者”（Orchestrator-Worker）模式，即一个首席智能体（Lead Agent）协调整个流程，并将具体任务委派给并行的专业子智能体。

图片

架构图

工作流程详解：

与传统的检索增强生成（RAG）静态地拉取信息块不同，我们的系统采用动态的多步研究过程。

图片

原文解释：当用户提交查询时，系统会创建一个 LeadResearcher 代理，该代理将进入迭代研究流程。LeadResearcher 首先仔细考虑该方法并将其计划保存到 Memory 中以持久保存上下文，因为如果上下文窗口超过 200,000 个令牌，它将被截断，因此保留计划很重要。然后，它会创建具有特定研究任务的专用子代理（此处显示了两个，但可以是任意数量）。每个 Subagent 独立执行 Web 搜索，使用交错思维评估工具结果，并将结果返回给 LeadResearcher。LeadResearcher 综合这些结果并决定是否需要更多研究 — 如果需要，它可以创建额外的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，后者会处理文档和研究报告以确定引用的特定位置。这可确保所有声明都正确归因于其来源。最终的研究结果（包括引文）将返回给用户。

1、启动与规划

用户提交查询后，系统创建一个首席研究员（LeadResearcher）智能体。

它首先会思考并制定一个详细的研究计划，并将其保存到外部记忆（Memory）中，以防在长流程中因上下文窗口限制而丢失关键计划。

图片

如图所示

2、任务分解与并行执行

首席研究员根据计划，创建出多个子智能体（Subagent），并为每个分配明确的研究任务（例如，图中的子智能体分别负责搜集不同AI公司的信息）。

图片

如图进行了标注

3、独立研究与评估

每个子智能体独立进行网页搜索，并利用“交错思考”（interleaved thinking）技术来评估工具返回结果的质量，然后将发现的关键信息返回给首席研究员。

图片

如图所示

4、综合与迭代

首席研究员综合所有子智能体的发现，判断信息是否充足。如果需要，它可以启动新一轮的研究，或创建更多的子智能体。

5、引用与生成

一旦信息收集完毕，系统会将所有原始文档和研究报告交给一个专门的引文智能体（CitationAgent）。它负责精确定位文中每个论断的来源，并添加引用，确保所有信息的准确性和可追溯性。

图片

图 引文智能体（CitationAgent）进行溯源论断

6、交付结果

最终，一份附有完整引用的高质量研究报告将呈现给用户。

图片

三、构建高效智能体的八大提示词工程心法

多智能体系统的复杂性源于其“协同”过程。我们早期的智能体常常犯错，比如为简单问题创建50个子智能体，或因为彼此干扰而陷入混乱。

以下是通过提示词工程解决这些问题的核心原则：

图片

1、换位思考，理解智能体

要优化提示词，你必须先理解智能体的“心智模型”。

我们通过模拟器，一步步观察智能体的行为，这让我们能立即发现失败模式，例如在已有足够信息时仍不停止搜索，或选择错误的工具。

2、教会“总指挥”如何分配任务

首席智能体必须向下属下达清晰的指令，包括：明确的目标、输出格式、推荐使用的工具和信源，以及清晰的任务边界。模糊的指令（如“研究半导体短缺”）会导致子智能体工作重叠或偏离方向。

3、根据任务复杂性伸缩投入

我们在提示词中嵌入了资源分配规则。

例如：简单事实查找只需1个智能体调用3-10次工具；复杂的比较分析可能需要2-4个子智能体，每个调用10-15次。这能有效防止在简单问题上“用力过猛”。

4、精心设计和选择工具

工具的API描述至关重要。一个糟糕的描述会把智能体引向歧途。我们为智能体设定了明确的启发式规则：先检查所有可用工具，优先选择专用工具而非通用工具。

5、让智能体自我改进

Claude 4模型本身就是出色的提示词工程师。我们创建了一个“工具测试智能体”，当给它一个有缺陷的工具时，它会尝试使用并重写工具描述以避免未来的失败。通过这个过程，未来智能体使用新描述完成任务的时间减少了40%。

6、先广泛探索，再深入钻研

智能体倾向于使用过长、过具体的查询，导致结果很少。我们通过提示词引导它们：先用简短、宽泛的查询了解概况，再逐步缩小范围。

7、引导思考过程

利用扩展思考模式（Extended thinking mode）作为智能体的“草稿纸”。首席智能体用它来规划，子智能体用它来评估搜索结果、发现不足并规划下一步行动，这大大提升了它们的适应性和效率。

8、并行工具调用，实现速度革命

引入了两种并行化：

1）首席智能体并行启动3-5个子智能体；

2) 子智能体并行调用3个以上的工具。

这一改变，将复杂查询的研究时间缩短了高达90%，让过去需要数小时的工作在几分钟内完成。

每天解决一个日常生活的小痛点，今天，你想让我帮助你解决什么？

AIGC新知：畅所欲言，或许，你就是下一个拯救世界的人。

转发3赞1

问一问

四、如何有效评估智能体？三大支柱

评估多智能体系统极具挑战，因为它们是非确定性的——两次运行可能走上完全不同但都有效的路径。我们不能只看过程，更要看结果。

图片

支柱一：立即开始，小样本评估

在开发早期，一个小的提示词调整可能带来巨大的性能提升（例如成功率从30%跃升到80%）。我们从大约20个代表性查询开始，这足以让我们快速验证改动的效果。不要等到能建立大型评估集时再行动。

支柱二：利用大语言模型（LLM）进行规模化评估

我们使用一个“LLM评委”，根据一份详细的评分标准（如事实准确性、引文准确性、完整性、信源质量、工具效率等）来给研究结果打分。这种方法让我们能够规模化地评估成百上千份输出。

支柱三：人工评估不可或缺

自动化评估会错过很多边缘案例。例如，我们的人工测试员发现，早期智能体偏爱SEO优化的内容农场，而非权威的学术PDF或个人博客。正是基于这些反馈，我们才在提示词中加入了信源质量的启发式规则。

每天解决一个日常生活的小痛点，今天，你想让我帮助你解决什么？

AIGC新知：畅所欲言，或许，你就是下一个拯救世界的人。

转发3赞1

问一问

五、从原型到生产：我们遇到的工程挑战

图片

1、状态与错误累积

智能体是长时间运行的，一个微小的错误就可能累积并导致整个任务失败。我们建立了从故障点恢复的机制，而不是从头开始，并让智能体学会智能地处理工具故障。

2、调试困难

由于非确定性，复现问题变得异常困难。我们建立了完整的生产环境追踪系统，在高层级上监控智能体的决策模式和交互结构，以诊断根本原因。

3、部署协调

智能体系统是高度状态化的。我们采用“彩虹部署”（Rainbow Deployments），让新旧版本的系统并行运行，逐步迁移流量，从而避免破坏正在运行中的任务。

4、同步执行的瓶颈

目前，首席智能体需要等待所有子智能体完成后才能继续，这造成了瓶颈。未来，异步执行将是我们的探索方向，尽管它会带来更高的协调复杂性。

六、结语

构建AI智能体，“最后一公里”往往占据了整个旅程的大部分。从能在开发者电脑上运行的原型，到一个可靠的生产级系统，中间的鸿沟远比想象的要宽。

尽管挑战重重，多智能体系统已经证明了其在开放式研究任务中的巨大价值。用户反馈Claude帮助他们发现了未曾考虑过的商业机会，解决了棘手的技术难题，节省了数天的工作量。

图片

如上这张图，显示当今人们使用 Research 功能的最常见方式的 Clio 嵌入图。

主要用例类别是跨专业领域开发软件系统 （10%）、开发和优化专业和技术内容 （8%）、制定业务增长和创收战略 （8%）、协助学术研究和教育材料开发 （7%），以及研究和验证有关人员、地点或组织的信息 （5%）。

另外，我们发起了一个问一问调研，感兴趣的可以留言一下。

每天解决一个日常生活的小痛点，今天，你想让我帮助你解决什么？

AIGC新知：畅所欲言，或许，你就是下一个拯救世界的人。

转发3赞1

问一问

我们相信，通过精心的工程设计、全面的测试、细致的提示词与工具打磨，以及跨团队的紧密协作，多智能体系统将持续改变我们解决复杂问题的方式。

原文：https://www.anthropic.com/engineering/built-multi-agent-research-system