Anthropic工程经验 · 2025
多智能体研究系统
官方工程博客公开 lead agent + subagents 架构与经验教训：主 Agent 规划派发、子 Agent 并行探索、汇总合成——也坦承 token 成本显著高于单次聊天，适合高价值任务。
入口 → anthropic.com/engineering
微信扫码关注「大话数据分析」数据 · 分析 · AI 实战
组队拆解
一套多智能体系统的全部构件。点击左侧零件，右侧看它的样子——组队的核心其实是三件事：怎么拆、怎么传话、怎么收。
两篇论文（AutoGen 的多 Agent 对话、MetaGPT 的软件公司式分工）与一批开源框架同年登场，范式首次成形。
Anthropic 公开多智能体研究系统的工程经验；深度研究类产品把主从编排带进大众视野——组队真的能干活。
Google A2A 协议发布并捐赠 Linux Foundation，Agent 之间的通信开始标准化；多 Agent 工具链日趋成熟。
谁在做
多智能体的三种推手：公开工程经验的实验室、造编排工具的框架厂、定通信标准的协议派。
官方工程博客公开 lead agent + subagents 架构与经验教训：主 Agent 规划派发、子 Agent 并行探索、汇总合成——也坦承 token 成本显著高于单次聊天，适合高价值任务。
三家的编排抽象各不相同：AutoGen 起于多 Agent 对话，CrewAI 组"角色班子"按工序交接，LangGraph 把协作画成一张可控的图——同一个问题，三种工程答案。
Google 2025 年 4 月发布 A2A（Agent2Agent）协议，6 月捐赠 Linux Foundation 走向中立治理。分工：MCP 管 Agent 接工具，A2A 管 Agent 之间对话——跨厂商组队有了通用语。
框架竞争仍在激烈演化 · 选型先看任务形状与团队熟悉度，再看模式匹配（见常见问题）。
为什么重要
单 Agent 的瓶颈常是上下文：任务一复杂，窗口被过程填满、注意力被稀释。多智能体用"隔离"换"专注"——每个子 Agent 拿到干净窗口只干一件事。但编排本身也是成本：传话会失真、错误会级联、token 会乘法增长——先跑通单 Agent，再考虑组队。
任务拆开后，每个子 Agent 的窗口只装自己那件事，注意力不再被过程稀释——隔离是组队最大的红利。
拆多细、任务描述怎么写、结果怎么汇总校验——全是产品决策。多智能体的上限在编排设计，不在模型参数。
N 个子 Agent 各烧各的窗口：官方自述研究场景 token 约为单次聊天的 15 倍——组队要花在高价值任务上。
依据与事实
框架与范式之年：AutoGen 提出多 Agent 对话框架，MetaGPT 把"软件公司"分工（产品、架构、工程、QA）搬进智能体——两条路线同年成形。
编排成为显学：角色班子（CrewAI）与图状态机（LangGraph）把组队从论文Demo变成可复用的工程。
Agent2Agent 开放协议亮相（50+ 合作伙伴）；6 月捐赠 Linux Foundation，走向中立治理——Agent 之间有了通用语。
《How we built our multi-agent research system》公开 lead + subagents 的工程经验与教训，包括 token 成本约为聊天 15 倍的坦白。
多智能体从论文话题变成默认产品形态；跨框架组队、可观测性与成本控制成为工程焦点。
三个常见误解：① "人多力量大"——Agent 越多，通信与失败面越大，收益常常递减；② "多智能体是更强的模型"——它是编排架构，不是模型升级，底座还是同一个 LLM；③ "组队自动更准"——传话失真与级联错误是真实代价，必须有汇总与校验环节兜底。
接下来继续了解
它适合谁
深度研究、批量内容、并行分析——组队架构直接决定产品上限，也直接决定月底账单。
在 AutoGen、CrewAI、LangGraph 里选一门编排手艺，从官方 multi-agent 示例跑起。
判断"这个需求值不值得组队"：三问过关再上多智能体，别为架构而架构。
用过"深度研究"功能吗？它背后就是一支 Agent 小队——本页帮你看见那支队伍的分工。
来源与延伸阅读
01 Anthropic · How we built our multi-agent research system本页内容整理自以上公开资料，更新于 2026 年 10 月。框架与协议仍在演化，以官方文档为准。
开始动手
三问全过再组队——有一问答"否"，单 Agent 就够了。
组队三问 ① 任务真的可并行，或需要专业分治吗？ ② 拆分边界清晰吗？（每个子任务能独立验收） ③ 汇总与校验环节想清楚了吗？ → 有一个"否"，就先用单 Agent
微信扫码关注「大话数据分析」数据 · 分析 · AI 实战