多智能体该怎么组织,一直有两种路线。一种给每个用户配一整套专属团队,各干各的;另一种让所有请求共用一个协调器,统一分配。Anthropic 近期公布的研究给出了明确倾向:后者的表现明显更好,差距在评测上最多可以到四十五分。

这个四十五分是怎么拉开的?

不是靠单点能力强,是靠三件事做得更稳。

第一是上下文一致。共享协调器看到的是同一个全局状态,它知道哪些任务在做、哪些做完了、哪些卡住了。分布式团队各自维护自己的上下文,重复劳动和冲突判断就很难避免。

第二是资源分配。工具调用、检索配额、模型额度都是有限资源。统一调度能按优先级分配,各自为战则容易出现有的闲着、有的排队。

第三是责任归属。出了问题能定位到协调层的某次决策,而不是在几十个智能体之间互相推。

为什么专属团队看起来更先进?

因为它符合直觉。一个用户配一个团队,听起来更贴身、更专业、更像人。演示的时候也更好看:多个角色互相讨论,产出看起来很丰富。

但演示任务通常短、目标明确、不需要长期记忆。真实任务长、目标模糊、要在多轮里修正。这两种场景对架构的要求完全不同。

什么情况下该用多智能体?

三种情况值得。第一,任务可以真正并行,比如同时调研十个竞品,彼此不依赖。第二,需要不同专长,比如一个写代码、一个做测试、一个查文档,角色边界清晰。第三,需要对抗性校验,比如一个生成、一个挑错,用冲突提升质量。

除此之外,单智能体加工具通常更划算。多智能体的通信开销是实打实的,角色越多,损耗越大。

该怎么落地?

一个可用的结构是三层。底层是执行智能体,只负责具体动作,不带全局判断。中层是协调器,负责拆解、分配、汇总、裁决。顶层是人,负责设定目标和验收标准。

关键约束有三条。第一,协调器必须有唯一的状态源,不能各存一份。第二,执行智能体之间尽量不直接通信,减少信息衰减。第三,每个任务要有明确的完成判据,否则协调器无法判断该收还是该继续。

多智能体不是越多越好。它是为了解决协调问题而存在的,如果协调本身成了最大的成本,那说明用错了地方。

去论坛讨论

前往 ziyuanagi.com 论坛 参与讨论