学习Anthropic的文章：https://www.anthropic.com/engineering/multi-agent-research-system ——如何构建多智能体研究（Research）系统 **** ，2025/6/13

该篇文章主要讲述了探索Research功能（使用多个Claude agent来实现）的过程中遇到的工程挑战和经验教训

多智能体系统的益处

Research（研究工作）涉及开放式问题，很难提前预测所需的步骤，无法为探索复杂主题硬编码一条固定路径，因为这个过程本质上是动态并且依赖于路径的的，当进行Research的时候，它们倾向于根据发现不断调整方法，查找在调查过程中出现的线索

因此这种不可预测性使得AI agent特别适合从事研究任务，研究要求在调查展开的时候能够灵活转向或者探索关联，模型必须在多轮次中自主运作，根据中间发现决定要追寻的方向，线性的，一蹴而就的流程无法处理这些任务

一旦智能到达某个阈值，multi-agent system就称为扩展性能的关键方式

但是该架构有一个缺点，在实践中会快速消耗令牌，agent使用的token大概是对话交互的4倍，而multi-agent system使用的token大概是对话的15倍，因此multi-agent执行的任务带来的价值要能够值得这多出来的支出

另外一些需要所有agent共享相同上下文或者涉及agent之间大量依赖关系的领域，目前并不适合multi-agent，比如编码任务

并且llm在实时协调和将任务委派给其他代理方面尚不擅长，multi-agent在那些需要大量并行、信息超出单一上下文窗口以及需要与众多复杂工具交互的高价值任务上表现比较优异

Research架构

Research系统采用muliti-agent架构，使用orchestrator-worker pattern， 协调者-执行者模式，其中一个主导的智能体负责协调流程，同时将任务并行委派给各个专门化的子智能体

当用户提交查询时，主导的agent对其进行分析，制定策略并生成子代理以同时探索不同方面的内容