今天，咱们来复盘一下Anthropic最新分享的关于多智能体系统构建的常委呢，他们几乎毫无保留地分享了如何从0到1构建一个强大的多智能体（Multi-Agent）DeepResearch系统，就是Claude现在内置的那个Research功能。
整个内容的干货密度极高，从架构设计、Prompt工程、效果评估到生产环境的各种坑，全都给咱们交了底。但是原文又巨冗长，所以尽量简单给家人们分享一下精髓内容。
多智能体系统 why?
为什么放着单个强大的模型不用，非要搞复杂的“多智能体”？
Anthropic用数据说话：在内部研究评估中，一个由Claude Opus 4当“领导”，多个Claude Sonnet 4当“员工”的智能体系统，性能比单打独斗的Opus 4高出整整90.2%！
背后的逻辑很简单粗暴：花足够多的Token来解决问题。
Token使用量本身解释了80%的性能差异。多智能体架构通过并行处理，让多个Agent同时在各自的上下文中思考和搜索，本质上是扩展了解决问题所投入的“算力”和“思考容量”，尤其擅长处理那些需要“广度优先”探索的复杂问题。
当然，缺点也同样明显：烧钱。多智能体系统消耗的Token大约是普通聊天的15倍。所以，这套玩法更适合那些价值足够高、能承受高成本的复杂任务。
这里的观点跟上周五分享的，langchain最新博客的观点是一致的，非模型即产品的Agentic系统 - 多智能体才是未来。
架构
Anthropic的研究系统采用的是经典的 Orchestrator-Worker 模式。一个 Lead Agent 负责协调整个流程，并将任务拆解给多个并行的专业子Agent（Subagents）。
其实整个工作流描述下来非常清晰：
- 用户提问：系统创建一个Lead Agent。
- 规划：Lead Agent思考并制定研究计划，把计划存入外部“记忆”，防止上下文过长被截断。
- 分派：创建多个专业的Subagents，分配具体的研究任务。
- 执行：每个 Subagents 独立进行网络搜索、调用工具，并利用“交错思考”（interleaved thinking）来评估结果、调整下一步行动。
- 汇总：子Agent将发现返回给Lead Agent。
- 综合与迭代：Lead Agent 综合所有信息，判断是否需要更多研究。如果需要，就启动新一轮的 Subagents 。
- 引用与生成：信息足够后，系统会将所有发现交给一个专门的“引文Agent”（CitationAgent），确保所有结论都有据可查，最后生成带引用的完整报告。
Prompt工程 还是 无比重要！
多智能体系统的复杂性指数级增长，可能很容易出现 “一个简单问题派出50个Agent” 的失控场面。
Prompt工程是约束和引导Agent行为的核心。他们总结了8条黄金法则：
- 像你的Agent一样思考：在Console里模拟Agent的工作流程，一步步观察它的行为，才能直观地发现问题所在。
- 教会Lead Agent如何描述子任务：给子Agent的任务描述必须清晰，包括目标、输出格式、使用工具和任务边界。简单的“去研究一下XX”是绝对不够的。
- 根据任务复杂度伸缩投入：在Prompt中明确规定不同难度任务的资源配比。简单查证用1个Agent，复杂研究动用10+个Agent，避免杀鸡用牛刀。
- 工具设计和选择至关重要：工具的描述必须清晰、有区分度。同时要给Agent一些启发式规则，比如“先看一遍所有可用工具再做决定”。
- 让Agent自我改进：Anthropic创建了一个“工具测试Agent”。它会反复试用一个新工具，然后自动重写工具的描述文档，让后续的Agent能用得更顺手。结果是任务完成时间减少了40%。
- 先广后窄：引导Agent像人类专家一样研究，先用宽泛的查询了解全貌，再逐步缩小范围，而不是一上来就用一个又长又窄的查询，结果啥也搜不到。
- 引导思考过程：使用“思考模式”（extended thinking）让Agent把思考过程写下来。Lead Agent 用它来规划，子Agent用它来评估每一步的工具调用结果。
- 并行工具调用改变游戏规则：让 Lead Agent 并行分派子Agent，再让每个子Agent并行调用工具，这两层并行直接将复杂查询的耗时减少了90%。
如何评估Agent？
评估Agent不能像传统软件测试一样，检查它是否走了预设的“正确”路径。因为通往正确答案的路不止一条。Anthropic的心得是：
立即开始小样本评估
早期开发阶段，一个Prompt微调可能让成功率从30%飙到80%，这种巨大变化用20个测试用例就能看出来。不要等到想构建几百个用例的完美评估系统了才动手。
用LLM当裁判
对于研究这类开放式输出，让LLM根据一个标准化的评分表（如事实准确性、引用准确性、完整度、信源质量等）来打分，是兼具扩展性和一致性的好方法。
真人测试必不可少
自动化评估总有盲点。比如，真人测试员发现早期Agent总爱选SEO过度的内容农场，而不是权威的学术PDF。这些细微的偏好只能靠人来发现。
从原型到产品：4大天坑
能跑起来的Agent原型和稳定可靠的生产系统之间，隔着巨大的鸿沟。四大工程“天坑”：
错误恢复
Agent是长时运行的，一旦出错不能简单从头再来（成本太高）。必须建立能在错误发生处恢复的机制，并让Agent学会优雅地处理工具失灵等问题。
非确定性下的监控
Agent的行为是动态且不完全可复现的，这让调试变得异常困难。唯一的办法是建立完善的生产环境追踪系统，监控Agent的决策模式和交互结构。
部署协调
线上随时有大量Agent在运行中，不能暴力更新。他们使用“rainbow deployments”来平滑地将流量从旧版本迁移到新版本，保证服务不中断。
同步的瓶颈
目前系统是同步的，Lead Agent必须等一批子Agent全部完成后才能进行下一步，这很慢。未来向异步执行演进是必然趋势，尽管这会带来状态一致性、错误传递等新的挑战。
三个压箱底的Pro-Tips
- 对于会改变环境状态的Agent（比如操作数据库），不要去评估过程，而是评估它最终是否达成了正确的状态。
- 当对话轮次过多时，让Agent主动总结已完成的阶段性工作，存入外部记忆，然后带着干净的上下文继续，通过“记忆”来保持连续性。
- 与其让子Agent把大块的结构化结果（代码、报告）通过对话历史传给主Agent（这会失真且昂贵），不如让它直接调用工具将产出物存到文件系统，再把轻量的“引用/指针”传回去。这能最大化保证并降低Token成本。
好了，这就是我今天想分享的内容。如果你对构建AI智能体感兴趣，别忘了点赞、关注噢~
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
![]()
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
![]()
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
