大厂经验，AI Agent 的进化：从“单挑”到“群殴”

咱们今天聊一个硬核话题：AI 公司 Anthropic 最近公布了他们是如何构建 Claude 的“研究”功能的。这不仅仅是让模型能上网搜索信息那么简单，它背后是一套复杂的“多智能体系统”。

说白了，就是让一群 AI“打群架”。

如果你用过最新的 Claude，你可能会发现它能处理一些特别复杂的任务，比如让你“把标普500信息技术板块里所有公司的董事会成员都列出来”。这种事儿，你要是让一个单打独斗的 AI 去干，它很可能搜着搜着就迷路了，最后交个白卷。

但 Anthropic 的这套系统能搞定。它是怎么做的呢？它背后有一个“领导”AI，接到任务后，它并不自己动手，而是把任务拆分成一堆小任务，然后“召唤”出一群“下属”AI，让它们并行开工，每个“下属”负责一部分。最后，“领导”再把所有“下属”交上来的结果汇总起来，给你一个完整的答案。

这就是一个典型的“群殴”战术。用技术行话讲，叫“编排者-工作者模式”（orchestrator-worker pattern）。

你可能会觉得，这不就是人海战术吗？没什么技术含量嘛。

恰恰相反，这里面的学问非常大。Anthropic 的工程师们发现，这套“群殴”战术，可能是未来提升 AI 能力的关键路径。

为什么要“群殴”？因为“大力出奇迹”

我们先得承认一个有点反直觉的事实。Anthropic 的研究发现，在评估 AI 模型的表现时，95% 的性能差异可以被三个因素解释：模型本身的能力、调用工具的数量，以及一个最关键的因素——消耗的 token 数量。

这个“token 消耗量”竟然自己就解释了 80% 的性能差异。

这意味着什么？这意味着在当前阶段，想要 AI 解决更复杂的问题，最简单粗暴、也最有效的方法，就是让它“烧”掉足够多的 token。

这就好比做研究，你不能指望一个天才看一本书就什么都懂了。真正的研究需要阅读海量的文献，进行大量的思考和交叉验证。AI 也是一样，处理复杂、开放式的问题，比如做深度研究，就需要巨大的“思考空间”。而 token，就是 AI 的思考空间。

一个 AI 的上下文窗口是有限的，就像一个人的短期记忆有限一样。多智能体系统，本质上就是把一个超级大的问题，分包给无数个拥有独立上下文窗口的 AI。每个 AI 都在自己的小领域里“死磕”，消耗大量的 token 进行深度思考和搜索，然后把精华部分提炼出来。

这是一种用资源换能力的策略。Anthropic 的数据显示，多智能体系统消耗的 token 大约是普通聊天交互的 15 倍。代价是昂贵的，但效果是惊人的。在他们的内部评估中，一个由 Claude Opus 4 担任“领导”、一群 Claude Sonnet 4 担任“下属”的多智能体系统，其性能比单打独斗的 Claude Opus 4 高出了 90.2%。

这验证了一个朴素的道理：当个体智能达到一定瓶颈后，想实现指数级的增长，就得靠“集体智能”。人类社会的发展就是最好的例子。

当 AI 领导“AI员工”，管理是个大问题

让一群 AI 一起工作，听起来很美，但实际操作起来简直是一场噩梦。Anthropic 的工程师们早期就遇到了各种哭笑不得的问题：

• 管理失控
  有的“领导”AI 一接到简单任务，就一口气召唤出 50 个“下属”，造成巨大的资源浪费。
• 目标漂移
  “领导”给的任务指令太模糊，比如“研究一下半导体短缺”，结果好几个“下属”AI 去做了完全重复的工作。
• 无效沟通
  “下属”之间不断地用大量信息互相干扰，而不是有效协作。

这不就是我们人类公司里天天上演的管理难题吗？

为了解决这些问题，Anthropic 的工程师们必须像个真正的“管理者”一样，通过“提示词工程”（Prompt Engineering）来调教这些 AI。他们总结出的经验，对我们理解如何与未来的 AI 协作极有价值：

1. 明确授权与分工
   “领导”AI 必须学会如何下达清晰的指令。一个好的任务指令应该包括：目标、交付格式、建议使用的工具和信息源，以及最重要的——任务边界。这就像一个好的项目经理，必须把活儿分得清清楚楚。
2. 设定资源预算
   AI 自己不知道一个任务该花多大力气。你必须在指令里告诉它规则。比如，“简单查个事实，派 1 个 AI，调用 3-10 次工具就行了”；“要做复杂研究，可以派 10 个以上的 AI，并且要明确分工”。这防止了“杀鸡用牛刀”。
3. 教 AI 学会反思
   “思考过程”至关重要。Anthropic 让 AI 在行动前，先输出自己的思考步骤（这叫 Extended Thinking）。“领导”AI 要先规划，评估用什么工具、派多少人。每个“下属”AI 在调用工具拿到结果后，也要先“复盘”一下，评估信息质量，看看还有什么遗漏，再决定下一步怎么走。这种“三思而后行”的机制，大大提升了效率和准确性。
4. 让 AI 自我迭代
   这是最绝的一招。他们发现，像 Claude 4 这样的高级模型，本身就是个出色的“提示词工程师”。当一个 AI 失败时，你可以让另一个 AI 来分析它为什么失败，并提出改进建议。他们甚至做了一个“工具测试 AI”，专门负责测试和优化给其他 AI 用的工具描述。这个 AI 反复试用一个不好用的工具，然后自己重写工具说明书，最终让后续 AI 使用该工具的任务完成时间减少了 40%。AI 正在学会自己优化自己。

你看，这些所谓的“提示词工程”，本质上就是把人类世界经过验证的管理智慧和研究方法论，编码成 AI 能理解的“企业文化”和“工作流程”。

从“原型”到“产品”的鸿沟

在实验室里让 AI 跑通一个 demo 很容易，但要把它变成一个能稳定运行的商业产品，中间隔着一条巨大的鸿沟。

AI 系统和传统软件最大的不同在于它的非确定性。一个 AI 智能体，即便两次输入完全相同，它的行为路径也可能完全不同。这就给调试和维护带来了巨大的挑战。用户报告“AI 没找到一个很明显的信息”，工程师很难复现问题到底出在哪里。

此外，AI 智能体是“有状态”的，它们会长时间运行。任何一个微小的系统错误都可能被放大，导致整个任务链条崩溃。你不能像重启一个软件那样简单地让它从头再来，因为那代价太高了。

Anthropic 的解决方案是：

• 强大的可恢复性
  系统需要有检查点（checkpoints）和重试逻辑，当发生错误时，能从中断的地方恢复，而不是一切归零。
• 全面的可观测性
  不能只看最终结果，必须记录下 AI 每一步的决策过程和工具调用情况。这就像给一个黑箱装上了无数个探针，让你能诊断问题根源。
• 平滑的部署策略
  更新系统时，不能粗暴地“一刀切”。他们采用“彩虹部署”的方式，让新旧版本的系统并行运行，逐步将流量切换过去，确保正在运行中的 AI 任务不会被中断。

说到底，构建一个可靠的 AI 智能体系统，是一项极其复杂的系统工程。它要求工程师不仅要懂算法，还要懂架构、懂运维、懂管理。

Anthropic 的这篇文章，揭示了通往更强人工智能的一条可能路径：不再仅仅追求单个模型的“智商”有多高，而是转向研究如何让一群AI形成高效的“组织力”。这或许意味着，未来我们与 AI 协作的方式，将越来越像是在管理一个由无数不知疲倦、绝对忠诚但偶尔会犯傻的“AI 员工”组成的超级团队。而我们的角色，就是那个为它们设定目标、规划流程、优化管理的“超级项目经理”。