构建多智能体(Multi-Agent)架构的八大原则

在前面的文章AI Agent发展史中，我曾详细为大家介绍过AI Agent的演进历史，其大致可分为四个阶段，分别是：裸大模型调用、简易Chatbot、多智能体、任务智能体。

前段时间号称全球首款通用智能体的AI工具 Manus，就采用了多智能体架构。所谓的多智能体(Multi-Agent)架构，可以简单理解为多个Agent并行工作，他们之间通过某种通信机制进行沟通协作，以协助人类完成复杂的任务。

多智能体架构能力强大，但也面临一些挑战，最显著的就是多个Agent并行工作时的性能问题，以及在多任务并行这种复杂工程下，影响交付质量的因素太多。

Google在今年2月4日的一篇研究文章中，曾提出这样一个观点：多智能体性能提升的核心，是优化提示词和拓扑结构。

原文链接：https://arxiv.org/abs/2502.02533

图片

业内普遍认为，今年是AI应用的爆发元年，而AI应用当下最典型的代表就是智能体。

通过自然语言提示，智能体就能替代人类完成很多复杂的任务，典型的场景如AI编码领域，目前已经有不少AI IDE出现，如Cursor、Trae(字节)、Comate(百度)。

但当你深入使用时便会发现，这些AI Agent的交付质量，很大程度上取决于你的提示词工程好坏。特别是对于单个智能体来说，对提示词的质量更为敏感。

拓扑结构只对全局设计有影响，而提示词却直接影响任务的结果质量。毕竟对个人来说，相比于整体设计，更看重基于具体工作场景的任务执行结果。

基于上述原因，Google联合剑桥大学提出了Mass(Multi-Agent System Search)框架，通过将从局部到全局、从提示到拓扑的优化阶段集成在一起，有效地利用复杂的MAS设计空间，分三个阶段来优化MAS：

1、块级提示优化：对每个拓扑块中的智能体进行提示优化。

2、工作流拓扑优化：在修建过的拓扑空间中优化工作流拓扑结构。

3、工作流提示优化：在找到的最佳拓扑结构上进行全局提示优化。

上述三个阶段，每个阶段都依赖于前一阶段迭代优化的提示/拓扑，来开展优化。

无独有偶，最近Anthropic分享了他们构建多智能体(Multi-Agent)系统的最佳实践，核心是八条提示工程与评估原则。原文链接如下： https://www.anthropic.com/engineering/built-multi-agent-research-system

Anthropic的AI产品Claude，也采用了多智能体架构，其架构模式为编排器-工作器模式，即一个主智能体(Lead Agent)+多个子智能体(Subagents)的架构。

主智能体负责协调和分配任务，子智能体并行执行具体任务，这种模式很像IT技术领域的主从架构。

这种架构的优势在于，相比于传统RAG方法的静态搜索，Anthropic的多智能体架构采用了多步骤搜索，动态查找信息并分析结果以输出高质量的答案。

图片

由于提示词质量对智能体交付结果质量的影响很大，特别是对于多智能体架构而言，其复杂性会导致智能体执行任务并输出结果的成本急剧上升。因此Anthropic基于Claude的多智能体系统实践，提出了八条提示工程与评估原则，值得参考。

图片

八条提示工程与评估原则如下：

1、Think like your agents：像你的智能体一样思考。

2、Teach the orchestrator how to delegate：教会编排器如何分配任务。

3、Scale effort to query complexity：根据查询复杂度调整资源投入。

4、Tool design and selection are critical：工具的设计与选择至关重要。

5、Let agents improve themselves：让智能体学会自我迭代/改进。

6、Start wide, then narrow down：先尝试广泛探索，然后逐步缩小范围。

7、Guide the thinking process：“人工”引导思考过程。

8、Parallel tool calling transforms speed and performance：并行工具调用会带来(执行任务)速度和性能的巨大提升。

关于这八条原则更详细的说明，大家可以通过原文链接，进行深度了解。

为了便于大家更好理解Anthropic构建多智能体(Multi-Agent)系统的最佳实践，我用秘塔AI搜索的新功能，将Anthropic的这篇文章转成了PPT讲解，感兴趣的可以访问这个链接查看：https://metaso.cn/s/1c5dzzB

另外，查找资料时，看到了另一篇讨论Multi-Agent架构的文章，也推荐大家看看。

文章链接：https://cognition.ai/blog/dont-build-multi-agents