让多个大模型智能体组队——一个当产品经理、一个当工程师、一个当测试——理论上能完成比单智能体复杂得多的任务。这个范式在 2025 年后大量涌现，演示视频里令人惊艳，但真实跑起来才发现，协作的效率远低于预期，内耗、重复、目标漂移比比皆是。

多智能体为什么经常 加不如减？

理论上分工能让每个智能体专注，但实际跑起来，通信成本吃掉了分工收益。每个智能体都要把自己的上下文传给下一个，信息在传递中被压缩、失真，最后一个环节拿到的可能已经是面目全非的摘要。更糟的是，智能体之间会互相等待、互相甩锅、重复做同一件事。很多对比实验显示，一个设计良好的单智能体，经常比三个互相通信的智能体表现更好、成本更低。

群体目标为什么会在传递中漂移？

你给团队定的目标是「做一个用户喜欢的产品」，产品经理理解成「功能丰富」，工程师理解成「架构优雅」，测试理解成「零 bug」。三个目标互相拉扯，最后产出的东西谁都不满意。这种目标漂移在人类团队里靠沟通和领导解决，在多智能体系统里需要显式的共识机制——定期对齐、共享目标表示、最终决策者。没有这套机制，多智能体就是一群各自为政的发言人。

责任与成本怎么归因？

任务失败了，是产品经理的需求错了，还是工程师执行错了，还是测试漏了？多智能体系统里，错误会沿链条传播，事后归因极其困难。成本侧同样棘手——三个智能体跑一次任务，token 消耗是单智能体的好几倍，但如果效果只提升百分之十几，这笔账就不划算。论坛里 多智能体 的讨论，热点已经从「怎么搭团队」转向「什么时候根本不该搭团队」。

多智能体不是银弹。它适合那些确实需要异构视角、可并行验证的任务，不适合那些一个强模型就能搞定的事。判断该不该组队，本身就是一种工程判断力。

什么时候根本不该用多智能体？

经验法则是：如果一个强模型加清晰提示词就能搞定，就不要拆成三个智能体。多智能体的通信成本、调试难度、失败归因复杂度，都会吃掉分工带来的收益。它真正的适用场景，是那些天然需要异构视角、可并行验证、或者人类工作流里本来就有多个角色的任务。判断该不该组队，本身就是一种工程判断力，而不是默认越多越好。

多智能体不是万能药，它更像是一种需要谨慎使用的组织手段。用对了杠杆，用错了内耗，判断本身就是成本。

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论。