本文深入探讨了 Multi-Agent 设计的核心思想，强调通过 Orchestrator 集中处理高熵意图，将任务分解后分配给 Sub-agents 执行，从而高效收集用户需求并推动落地。文章详细阐述了个人多 Agent 工作流程，包括不同模型的分工、任务执行与反馈机制，并提出了信息压缩与可靠输出分离的设计理念。此外，还讨论了 Harness 在提升 Multi-Agent 使用体验方面的作用，从开发者、Agent 和普通用户三个视角分析了如何让 Multi-Agent 更顺手。最后，总结了 Multi-Agent 设计的重要原则，并展望了未来模型与 Harness 的融合发展前景。
一、我日常的 multi-agent 工作流
开发场景用多 Agent 已经是很多人的基操了，主要有两个优势：
- 不同场景发挥不同模型的特点合作
- 让多个 Agent 形成自查自纠闭环，减少质量管控的人工参与轮次
我自己的分工如下：
- GPT 做前台 orchestrator，负责和我讨论需求、收束 iteration、定义 goal 和验收标准；
- Fable / Opus 偏后端工程执行，K3 偏前端交互实现；
- orchestrator 下发任务时附带严格标准，并为每个任务准备独立 worktree；
- 各 executor 在独立 worktree 里施工，交付时同时提交报告，按反馈持续修改；
- orchestrator 审阅，不通过则返回结论要求修改，通过后做冒烟和集成测试，统一合并，进入下一轮自动循环。
为了同时体验 Harness + 获得理论上的最佳模型性能，我一般默认协作过程用模型自家的 Harness 跑它（包成 Skill 互相调用）：GPT 用 Codex，Fable/Opus 用 Claude Code，K3 用 Kimi Code。
多次跑下来，我发现最高效的方式是每次和 orchestrator 一起梳理一个大的计划书，然后让自己去慢慢做，可以是持续几天乃至几周的任务：orchestrator 从我这获取多个想法，我们一起确认细节后，他自己自行梳理多个功能的依赖关系和施工顺序，产出一个或多个大的计划书和明确具体的实施节奏，然后他自己生成任务包，定义和安排 sub-agents 分头完成任务、根据他们的交付报告明确是否打回、如何修改、满足要求后统一测试并合并，然后进入下一个实施项——周而复始直到整个大的计划书完成，过程中遇到拿不准的功能变化或者大的界面变动引入人工确认。
关于 orchestrator 的模型选择，我的实践感受是：
大迭代阶段，orchestrator 要像一个"最严厉的父亲"：严格评估每个修改对系统架构和后续运维的影响，拷打所有 worktree 的提交能否合并：Opus 发散性强，严谨性差一些；K3 前端很棒但后端跟另外的模型比起来还是有差距；Fable 和GPT 风格差不多，严谨话少，更适合这个角色，但 Codex 重置确实太香了—— 因而这个阶段 orchestrator 我还是会更偏向选 GPT。
修修补补阶段，orchestrator 要像一个"最耐心的秘书"：把用户所有细碎的不满意转为需求，快速验证，不过度设计。我体验下来：GPT 不爱列计划，容易漏优化点、过度设计；Fable 太慢，Opus 太啰嗦；关注细节的 Kimi 处理这类反而是舒适区——擅长列清单，耐心地把细节一点点做完。
二、通过 Multi-agent 把信息压缩和可靠输出分开
用户输入天然是高熵的：目标模糊、约束缺失、优先级不清，审美偏好也说不完。执行中还会不断冒出新想法；但稳定执行要求低熵输入：目标明确、上下文有边界、约束清楚、验收标准可验证。否则执行过程就是一边做一边猜需求，最后把模糊性带进实现细节。
这是我认为 multi-agent 能够发挥作用的系统增益：把任务链路拆成两种性质不同的工作，各自推进，互不干扰。
- orchestrator 负责信息压缩：
接受开放、零散、持续变化的输入，通过对话完成澄清、排序、取舍和边界定义，形成可执行的任务包。
- sub-agents 负责可靠输出：
拿到减熵后的任务包，在边界稳定、验收明确的环境里执行，按约定返回报告、证据和阻塞项。
这个结构其实让人有点想到香农分离：orchestrator 类似信源编码器，压缩输入中与任务无关的冗余；sub-agents 类似信道编码，通过报告、测试、验收字段加入结构化冗余，让结果更容易检查和纠错。信息传输过程中，意图澄清和可靠执行是两类可以分开设计的问题。塞进同一条上下文，模型既要猜意图又要自证；拆开后两侧可以分别优化，也可以选用不同模型。
而随着任务越来越长，来到数天乃至数周的长任务，我认为 Harness 的存在感也会越来越强——怎么从产品层面给用户安全感，下面简单讨论一下。
三、通过 Harness 让 multi-agent 用起来更顺手
任务变长时，Harness 怎么让 multi-agent 用起来顺手，可以从三类用户视角来看：
| 视角 | 怎么算顺手 |
|---|---|
| 开发者 | 能不能把自己之前的最佳实践 DIY 进去 |
| Agent | 能否方便的自我管理 |
| 普通用户 | 是否随时知道发生了什么、是否随时可介入 |
3.1 开发者：能把自己的最佳实践放进去
开发者的掌控感来自：”我自己有我自己的最佳实践“，因而应当支持开发者根据自己的经验定义一些子 Agent（包括使用什么模型、模型定义等）给到 orchestrator 去编排和使用，参考 Pi 的实现为：
3.2 Agent ：明确的安全权限边界和方便的自我管理工具
Agent 的掌控感来自：我知道我自己能做什么，怎么做。要做到这一点，Harness 需要给 orchestrator 提供一套管理子 Agent 的工具和机制——派发、等待、审阅、打回、关闭，每一步都显式可控，主流 Harness 都做了类似的事情，大同小异：
| 能力 | Codex | Kimi Code | Claude Code |
|---|---|---|---|
| 派发/创建 | SpawnAgent | Agent/AgentSwarm | Agent（原Task） |
| 恢复/追加 | SendInput/ResumeAgent | 回调已有实例 | SendMessage |
| 等待 | Wait | 后台运行 + 异步回传 | 隐式等待 |
| 停止 | CloseAgent | AgentStop | TaskStop |
| 状态查看 | agents_states | TaskList/TaskOutput | SubagentStart/Stophooks |
3.3 普通用户：信息透明完整，随时可介入
普通用户的掌控感来自：信息透明（知道要做什么，所有待办和子 Agent 状态实时可见）、信息完整（知道做了什么，所有已办都被记录，随时可回溯）、随时能介入，这要求 Harness 在 runtime 层把子 Agent 当作有身份、有状态、可查询的长期对象来管理——不只是给 orchestrator 看的，也是给用户看的。
在随时介入这里，Codex/Claude Code 和 Kimi Code 体验下来思路是有些差别的：
Codex/Claude Code 的 子 Agent 启动后，主会话进入 wait/review 状态，大部分情况下，orchestrator 必须等子 Agent 跑完、审完结果、决定通过还是打回，才能继续往下走，人也需要一起干等。
Kimi Code走的是"后台模式"。子 Agent 作为 background task 启动后，orchestrator 立即被释放出来继续跟用户聊天。子 Agent 在独立上下文里跑，结果异步回传。子任务运行期间，人可以和 orchestrator 继续讨论、追加需求，这些新信息也会被及时告知子 Agent 。
就我自己体验来说，我更喜欢 Kimi Code 这种设计，虽然其他 Harness 也可以随时打断 orchestrator，但这是一种“串联”的逻辑；从我自己的实际感受来说，因为有时任务书的任务很长，Kimi Code 这种“并联”的设计能让我在不干扰 Agent 当前运行情况下，及时补充和澄清自己的想法，而非“先等等看再决定怎么改“，我和 Agent 是“冰壶”式协作，双方一起推着任务往前走，而不是“乒乓球”式协作，把任务抛来抛去。
四、小结
小结几条我认为比较重要的设计原则：
- 拆不拆多 agent 让 orchestrator 判断，但人可以参与和自定义。
- 子 Agent 默认多 Worktree 工作，orchestrator统一集成验证和合并。
- 子任务可见、明确的安全和任务边界、新想法随时可承接。
multi-agent 虽然在一些情况很香，但成本也很实在：更多 token、更长等待时间。不过我的判断是，随着 multi-agent 的实际数据越来越多，未来什么场景要用 multi-agent 这件事模型自己就能做好判断，Harness 做好承接就可以。
稍微发散一下，当模型能做越来越长的任务，或许应用生态的未来也可以是这样：如果 Harness 做得足够好，手机里只需要有一个 “Orchestrator Agent”，所有应用都可以被它“自举”出来——用户只感知到一个入口，随时冒出想法就扔给它，它在用户的桌面上生成各类应用，统一维护。
至于怎么把创作门槛降到足够低、让每个人都觉得「创造是一种快乐」——那就是当下做模型和 Harness 要努力回答的问题了。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
