智能摘要
Anthropic认为多数团队无需Multi-Agent系统，单个Agent通过优化提示可达到相近效果且成本更低。Multi-Agent仅适用于三种核心场景：子任务间信息干扰需做上下文隔离时、任务可拆分为多个独立方向并行探索时、以及单一Agent需管理过多工具导致选择准确率下降时。对于多数编码任务、简单查询或低价值任务，以及拟人化的角色分工模式，采用Multi-Agent架构反而会因协调开销和状态管理问题导致效率降低且成本剧增。
— 此摘要由AI生成仅供参考。
大多数团队不需要 Multi-Agent 系统。在单个 Agent 上反复改进 prompt，效果可匹配花数月搭建的复杂多 Agent 架构，且代价更低。普通 Agent 消耗约 4 倍于聊天的 token，而 Multi-Agent 系统消耗约 15 倍，额外开销来自跨 Agent 的上下文复制、协调消息和结果汇总，因此需任务价值足够高才能覆盖开销。
不同子任务积累的信息互相干扰导致推理质量下降时，用独立子 Agent 做上下文隔离。核心原则是通过通信共享上下文，而非通过共享上下文通信。对有明确输入输出的独立任务，启动全新子 Agent 只传入具体指令；仅当子 Agent 必须理解完整轨迹（如调试 Agent 需看到之前错误尝试）时才共享完整上下文。
任务可拆成多个独立方向同时推进时，Multi-Agent 效果显著。Anthropic 研究系统显示多 Agent 架构比单 Agent 高出 90%，因多 Agent 投入足够 token 解决问题，token 使用量解释 80% 的性能方差。例如 Claude 研究功能中，主 Agent 生成 3 到 5 个子 Agent，每个并行执行多个工具调用，复杂查询可减少 90% 研究时间。
当 Agent 需管理 20 个以上工具时，选择准确率明显下降；100 个以上工具会导致幻觉参数或调用错误。解决方案包括按领域拆分给专业化 Agent，或采用 Claude 的替代思路：用工具搜索工具，动态发现工具（Skill 渐进式加载），可减少 85% token 使用量。
编码子任务耦合度高，可并行化部分比研究类任务少，涉及 1 到 3 个文件修改时，单 Agent 更快更便宜。
Anthropic 缩放规则：简单事实核查只用 1 个 Agent（3 到 10 次工具调用），直接对比用 2 到 4 个子 Agent，仅复杂研究问题用 10 个以上子 Agent。早期版本曾出现对简单查询生成 50 个子 Agent 的失控情况。
不要按组织架构图排角色（如经理、设计师、程序员互相聊天）。应把子 Agent 当作工具调用，而非同事对话：主 Agent 调用函数，底层启动临时子 Agent 循环并返回结构化结果。按角色分工会产生持续协调开销。
多个子 Agent 做相同搜索时，任务指令必须包含目标、输出格式、工具范围和任务边界。Anthropic 早期因主 Agent 指令简短（如 “研究半导体短缺”），导致多个子 Agent 做完全相同的搜索。
OpenClaw 在同一会话内一次只处理一条消息，按会话序列化执行。因多个 Agent 共享状态时，并发会导致工具冲突和状态损坏，这是刻意设计选择而非限制。
原则：从最简单方案开始，仅在有明确证据时引入多 Agent。该用场景：上下文污染用隔离，并行探索用分发，工具过多用专业化。不该用情况：编码任务耦合度高，低价值查询不划算，拟人化角色分工是反模式。加分点：任务委派指令极其具体，共享状态时序列化比并行更安全。
文章评论