Anthropic 首次解密多智能体系统细节：Claude 复刻人类集体智慧，性能超单体 Opus 90%！

不二小段

发布于 2026-04-09 15:52:29

3820

文章被收录于专栏：不二小段不二小段

大模型 Agent 的赛道，已经卷到了新高度。

从软件工程到科研辅助，从日常生活到商业决策，一个无所不能的 AI 智能体，似乎已成为通往 AGI 的必经之路。各大巨头纷纷亮剑，但大多还停留在单体智能的范式里。

然而，就在今天，Anthropic 甩出了一篇万字长文，首次将其内部孵化已久的多智能体研究系统（Multi-agent Research System）的设计原理、架构细节和工程血泪史，悉数公之于众。

这套系统，正是其王牌模型 Claude 最新「研究」能力的幕后功臣。

核心数据更是惊人：在一个由 Claude Opus 担任「领导」，多个 Claude Sonnet 担任「下属」的多智能体系统中，其在内部研究评估基准上的性能，比最强的单体 Claude Opus 4 高出 90.2%。

这不仅仅是量变，更是质变。

Anthropic 团队在文中抛出了一个振聋发聩的观点：一旦智能达到某个阈值，多智能体系统将成为扩展能力的关键。 正如人类社会近十万年来的指数级发展，靠的不是个体智力的飞跃，而是集体智慧和协作能力的涌现。

他们坦言，这套系统的本质，就是通过架构设计，来「复刻」人类社会的集体智慧。

更令人意外的是，他们发现了一个反常识的结论：在他们的基准测试中，AI 智能体性能方差的 80%，竟然是由一个简单粗暴的因素解释的——token 消耗量。

换言之，「大力出奇迹」在智能体领域或许真的有效。而多智能体系统，正是一种在经济成本可控的前提下，聪明地「烧掉」足够多 token 以解决复杂问题的最佳方式。

这篇文章信息量巨大，从架构设计、提示工程、工具选择，到评估方法、工程挑战，几乎涵盖了构建一个生产级多智能体系统的所有关键环节。

话不多说，我们直接来看 Anthropic 的这篇一手分享，全是硬核干货。

为什么要用多智能体？单体大模型不够用了吗？

在深入架构之前，一个根本性问题必须回答：我们为什么需要多智能体？像 Claude Opus 或 GPT-4o 这样强大的单体模型，难道还不够用吗？

Anthropic 的答案是：对于开放式研究（open-ended research）这类任务，真的不够用。

研究工作的本质是非线性的、路径依赖的。人类专家在探索一个复杂课题时，会根据新发现不断调整方向，随时可能深入一个意想不到的切入点。你无法用一个固定的、线性的流程去硬编码这种探索过程。

这恰恰是单体 LLM 的软肋。它们擅长「一步到位」的问答，却难以驾驭需要持续自主决策、多轮探索的复杂任务。

而多智能体系统，则完美契合了这种需求。

并行压缩与关注点分离

研究的精髓是从海量信息中提炼洞见，本质上是一个压缩过程。

多智能体系统通过并行化，极大地加速了这一过程。系统可以派出多个「子智能体」（subagent），每个子智能体都有自己独立的上下文窗口、工具集和探索轨迹，就像一个研究小组里的不同成员，同时从不同角度切入问题。

它们各自完成信息搜集和初步分析，将最重要的 token「压缩」提炼出来，最后汇报给「领导智能体」。

这种关注点分离的设计，不仅效率更高，还减少了单一路径依赖的风险，使得研究更加全面和深入。

性能暴涨 90% 的实证

口说无凭，数据为证。

Anthropic 的内部评估显示，在处理那些需要同时探索多个独立方向的广度优先（breadth-first）查询时，多智能体系统展现出压倒性优势。

一个由 Claude Opus 4 担任领导、Claude Sonnet 4 担任子智能体的系统，在内部研究评估中的表现，比单独使用 Claude Opus 4 的单智能体系统高出 90.2%。

一个经典的例子是：「找出标准普尔 500 信息技术板块所有公司的董事会成员」。

单智能体系统：陷入了缓慢的、连续的搜索循环，最终未能找到完整答案。
多智能体系统：领导智能体迅速将任务分解，为每家公司或每组公司指派一个子智能体去并行查找，最终成功汇总了所有正确答案。

成功的秘密：「大力出奇迹」

最令人惊讶的发现，来自于 Anthropic 对其 BrowseComp 评估基准的分析。该基准专门测试智能体在网络上定位难寻信息的能力。

他们发现，模型性能方差的 95% 可以由三个因素解释。而其中，仅仅是 token 的使用量，就解释了 80% 的方差！ 另外两个因素是工具调用次数和模型选择。

这一发现，从根本上验证了他们架构设计的正确性：通过将工作分配给拥有独立上下文窗口的多个智能体，系统能够有效地扩展 token 的使用规模，以应对单智能体无法处理的复杂任务。这相当于为解决问题投入了更多的「算力」和「思考深度」。

当然，这也带来了显而易见的代价：烧钱。

数据显示，智能体交互消耗的 token 大约是普通聊天的 4 倍，而多智能体系统更是高达 15 倍。

这意味着，多智能体系统在经济上只适用于那些任务价值足够高，能够覆盖其性能成本的场景。

同时，并非所有任务都适合多智能体。例如，大多数编程任务的并行性远低于研究任务，且 LLM 智能体目前还不太擅长实时协调和委派编码工作。

总而言之，多智能体系统最擅长的领域是：高价值、可大规模并行、信息量超出单个上下文窗口、且需要与众多复杂工具交互的任务。

架构揭秘：指挥官 + 工人，三步走的研究流程

Anthropic 的研究系统采用了一种经典的指挥官-工人（orchestrator-worker）模式。一个领导智能体负责协调整个流程，并将具体任务委派给并行的专业子智能体。

下面这张官方架构图，清晰地展示了其工作流程：

我们可以将其分解为以下几个关键步骤：

1. 启动与规划 当用户提交一个查询（例如，「2025 年 AI 智能体领域的顶尖公司有哪些？」），系统会创建一个 LeadResearcher（领导研究员）智能体。它首先进入一个迭代式的研究流程，第一步是思考，并将其制定的研究计划保存到「记忆」（Memory）中。这是一个至关重要的细节。因为智能体的上下文窗口（即使是 200K token）也可能被填满，将核心计划保存在外部记忆中，可以确保智能体在长期任务中不会「失忆」。
2. 任务分解与授权LeadResearcher 根据计划，创建出多个专业的 Subagent（子智能体）。图示中展示了两个，但实际数量可以动态调整。每个 Subagent 都会被赋予一个非常具体的研究任务，例如「研究 A 公司的最新动态」或「查找 B 公司的融资历史」。
3. 并行执行与动态调整 每个 Subagent 独立工作，利用搜索等工具进行信息搜集。一个关键的设计是交错式思考（interleaved thinking）：在每次工具调用后，Subagent 都会停下来思考，评估结果的质量，发现信息缺口，并规划下一步的查询。这使得子智能体能够动态适应任务。
4. 结果合成与迭代 子智能体完成任务后，将发现返回给 LeadResearcher。LeadResearcher 综合所有子智能体的报告，并判断是否需要进一步的研究。如果需要，它可以创建更多的子智能体，或调整现有策略，形成一个研究循环。
5. 引用与归因 一旦 LeadResearcher 认为收集到的信息足够充分，研究循环就会退出。此时，系统会将所有的研究报告和原始文档传递给一个专门的 CitationAgent（引用智能体）。这个智能体的唯一职责是，精确地将报告中的每一项声明，都与其原始来源进行匹配和标注。这极大地保证了最终答案的事实准确性和可追溯性。
6. 最终交付 最后，一份带有完整、精确引用的研究报告将呈现给用户。

整个架构与传统的检索增强生成（RAG）有着本质区别。传统 RAG 是静态的，它一次性检索与查询最相似的文本块，然后生成答案。而 Anthropic 的这套系统是动态的、多步骤的，它能主动发现、适应并分析信息，从而生成质量远超 RAG 的答案。

Prompt 工程的「八大心法」

如果说架构是骨架，那么 Prompt 就是注入智能体灵魂的咒语。

Anthropic 团队坦言，在系统早期，智能体们行为混乱：会为简单查询生成 50 个子智能体，会为了一个不存在的来源无休止地搜索，甚至会互相干扰。

Prompt 工程是他们驯服这些「野马」的核心杠杆。他们总结了七条黄金法则：

1. 像智能体一样思考：要写好 Prompt，你必须先成为智能体。团队构建了模拟环境，一步步观察智能体的行为，这让他们立刻发现了失败模式：比如，已经找到答案却仍在搜索；搜索查询过于冗长；选错工具等。建立对智能体行为的准确心智模型，是进行有效迭代的前提。
2. 教会指挥官如何授权：领导智能体需要向子智能体下达清晰的指令。简单的指令如「研究半导体短缺」是远远不够的，这会导致子智能体任务重叠或遗漏关键信息。例如，一个子智能体可能在研究 2021 年的汽车芯片危机，而另外两个却在重复研究 2025 年的供应链现状。好的指令必须包含：明确的目标、输出格式、使用的工具和数据源建议，以及清晰的任务边界。
3. 根据复杂性调整工作量：智能体很难自行判断应该为不同任务付出多少努力。因此，团队直接在 Prompt 中嵌入了伸缩规则。
- 简单事实查找：需要 1 个智能体，调用 3-10 次工具。
- 直接比较：需要 2-4 个子智能体，每个调用 10-15 次工具。
- 复杂研究：可能需要超过 10 个子智能体，并有明确分工。这些明确的指导方针，帮助领导智能体高效分配资源，避免在简单问题上过度投入。
4. 工具设计至关重要：智能体与工具的接口，和人机界面一样重要。用对工具，事半功倍。如果让智能体在网页上搜索一个只存在于 Slack 内部的信息，那它从一开始就注定失败。糟糕的工具描述会把智能体引向完全错误的方向。因此，每个工具都需要有独特的目标和清晰的描述。团队甚至在 Prompt 中为智能体提供了选择工具的启发式规则：先检查所有可用工具，将工具用途与用户意图匹配，优先选择专用工具等。
5. 让智能体自我改进：这是一个堪称「元认知」的洞见，Claude 4 模型本身就是出色的 Prompt 工程师。当给模型一个失败的 Prompt 和失败案例时，它能准确诊断问题所在并提出改进建议。团队甚至创造了一个「工具测试智能体」。当给它一个有缺陷的工具时，它会尝试使用该工具，然后重写工具的描述以避免未来的失败。通过数十次测试，这个智能体发现了许多细微的差别和 bug。这个自我改进的过程，最终使得未来使用新描述的智能体，任务完成时间减少了 40%。
6. 先广撒网，再精准聚焦：搜索策略应当模仿人类专家研究方式，先全面探索领域，再深入细节。智能体常会默认使用过于冗长具体的查询，导致返回结果稀少。我们通过提示智能体从简短宽泛的查询开始，评估可用信息，再逐步缩小关注范围，来纠正这种倾向。
7. 引导思考过程：Claude 的「扩展思考模式」（在标签内输出思考过程）可以作为一个可控的草稿纸。领导智能体用它来规划方法、评估工具、确定子智能体数量和角色。子智能体则用它来规划查询，并在工具调用后评估结果质量。测试表明，这种方法显著提高了指令遵循、推理和效率。
8. 尝试并行执行：早期的智能体是串行搜索的，速度慢得令人痛苦。团队引入了两种并行化：
- 宏观并行：领导智能体一次性启动 3-5 个子智能体，而不是串行启动。
- 微观并行：每个子智能体可以一次性并行调用 3+ 个工具。这两项改变，对于复杂查询，将研究时间缩短了高达 90%，让系统能在几分钟内完成过去需要数小时的工作。

如何有效评估？从 LLM-as-Judge 到人工红队

评估是构建可靠 AI 应用的基石，但评估多智能体系统尤其困难。

传统评估假设，对于输入 X，系统应遵循路径 Y，得到输出 Z。但智能体是非确定性的，它们可能通过完全不同的有效路径，达到相同的正确目标。

因此，评估方法必须足够灵活，既要判断结果的正确性，也要评估过程的合理性。

1. 立即开始，小样本评估 这是给所有 AI 开发团队的宝贵建议。很多人认为，只有包含数百个案例的大型评估集才有价值，因此迟迟不动手。Anthropic 的经验是：立即用小样本开始评估。在早期开发阶段，一个小的 Prompt 调整，可能让成功率从 30% 飙升到 80%。这种巨大的效应量，用 20 个左右的代表性查询就足以发现。
2. 精心设计的 LLM-as-Judge 研究报告是自由格式的文本，很难用程序化方法评估。LLM 自然成了最佳「考官」。 Anthropic 使用一个 LLM 评委，根据一个详细的评分标准来打分：
- 事实准确性：声明是否与来源匹配？
- 引用准确性：引用的来源是否支持声明？
- 完整性：是否覆盖了所有被要求的内容？
- 来源质量：是否使用了高质量的一手来源，而非 SEO 农场？
- 工具效率：是否以合理的次数使用了正确的工具？他们发现，使用单个 LLM 调用，根据单一 Prompt 输出 0.0-1.0 的分数和通过/失败的等级，这种方式最稳定，且与人类判断最一致。
3. 人工评估不可或缺 自动化评估总有盲点。人类测试员（红队）能发现那些意想不到的边缘案例。例如，人类测试员发现，早期的智能体总是倾向于选择经过 SEO 优化的内容农场，而不是更权威但排名较低的来源，如学术 PDF 或个人博客。团队通过在 Prompt 中增加关于来源质量的启发式规则，解决了这个问题。

从原型到产品：血泪工程教训

将一个在开发机上运行良好的智能体原型，变成一个可靠的生产级系统，中间的鸿沟远比想象中要宽。Anthropic 将其称为「最后一公里至关重要」。

1. 状态化与错误叠加：智能体是长时间运行的状态化进程。传统软件中的一个小 bug，在智能体系统中可能会被无限放大，导致整个任务脱轨。因此，简单的「出错后从头再来」是不可接受的，这既昂贵又让用户沮丧。他们的解决方案是：
- 可恢复性：通过设置检查点，让系统能从发生错误的地方恢复，而不是重启。
- 让智能体适应错误：当工具失败时，直接告知智能体，让它利用自己的智能去适应和寻找替代方案。这种方法出奇地有效。
2. 调试非确定性：由于智能体的非确定性，复现 bug 变得极其困难。用户的报告常常是「智能体没找到明显的信息」，但原因却难以追溯。解决方案是全链路生产追踪（full production tracing）。这让他们能诊断失败的根本原因，并系统性地修复。更进一步，他们会监控智能体的决策模式和交互结构（在保护用户隐私的前提下，不监控具体内容），从而发现意想不到的行为。
3. 小心翼翼的部署：智能体系统是一个由 Prompt、工具和执行逻辑构成的、几乎持续运行的高度状态化网络。部署更新时，不能简单地中断正在运行的智能体。他们采用了「彩虹部署」（rainbow deployments）策略，新旧版本的系统会同时运行，流量被逐渐地从旧版本迁移到新版本，从而避免了对正在执行任务的智能体的干扰。
4. 未来：异步执行：目前，系统是同步的：领导智能体必须等待一批子智能体全部完成后才能进行下一步。这简化了协调，但也造成了瓶颈。未来的方向是异步执行，智能体可以并发工作，并根据需要随时创建新的子智能体。尽管这在结果协调、状态一致性方面带来了巨大挑战，但随着模型能处理更长、更复杂的任务，这种性能提升将是值得的。