您的位置首页 >人工智能 >

Anthropic 观点不要盲目拆分多 Agent,大量项目子 Agent 冗余、过度拆分

Anthropic 在工程落地博客里提出一个反行业直觉的结论:很多团队做 Agent 开发,并不是子 Agent 太少,而是拆得太多了。随着大模型上下文、推理能力变强,过去用来弥补模型短板的 “拆分子 Agent” 方案,现在反而带来信息丢失、token 消耗暴涨、响应延迟、话术风格不一致等一堆问题;在大量企业落地对比中,单 Agent + 技能(Skills) 的方案,任务完成质量经常同时优于 “超大提示词堆在一起” 和 “多层子 Agent 编排” 两种架构,同时成本更低、速度更快,这并不是全盘否定多 Agent,而是告诉开发者要建立判断标准,只在真正适合的场景下拆分,其余场景把子 Agent 折叠回主循环。

一、过度拆分多 Agent 带来的典型问题

  • 上下文交接损耗:子 Agent 之间传递结果时,需要不断摘要、压缩信息,原始细节丢失,很容易出现前后结论矛盾
  • Token 开销飙升:同等任务下,多 Agent 架构通常消耗是单 Agent 的 3~10 倍,每个子 Agent 都要独立上下文、对话交互、结果汇总,算力成本失控
  • 延迟明显增加:串行调用子 Agent 会形成等待瓶颈,就算并行,大量交互汇总也会拉长整体耗时,Anthropic 案例里合并后主 Agent 速度提升接近一倍
  • 风格与规则冲突:不同业务团队各自开发子 Agent,提示词规则互相打架,对外输出的语气、口径不统一,也就是常说的 “弗兰肯提示词(Frankenprompt)” 问题
  • 子 Agent 泛滥失控:组织架构直接映射成 Agent 架构,每个业务模块单独做子 Agent,最后出现大量重叠、缺少统一维护的子 Agent,难以治理
  • 评估碎片化:每个子 Agent 只针对自己的子任务做优化,缺少全局评估,局部指标好看,整体任务效果变差

二、三种架构横向对比

架构核心做法优势短板
单 Agent+Skills一个主 Agent,不拆分子 Agent,把能力封装成工具 / 技能,按需调用上下文完整、信息不丢、成本低、延迟低、风格统一提示词过长时会出现上下文稀释、性能下滑
超大单 Prompt把全部规则、业务知识全部塞进同一个系统提示词架构最简单,没有 Agent 之间交互提示词臃肿,模型容易遗忘规则,推理质量下降
多层多子 Agent主调度 Agent,路由、规划、各个业务专家单独拆成子 Agent适合大规模并行调研、跨领域独立探索交接丢信息、贵、慢、规则冲突、维护复杂

三、什么时候适合把子 Agent 合并回主循环(优先折叠)

  1. 任务强耦合,多个子 Agent 需要持续共享同一套对话上下文,频繁互相传递信息
  2. 只是简单的领域分支,没有独立的大规模探索、并行检索需求
  3. 诉求是统一对外话术、统一业务口径,面向 C 端用户直接交互的客服、咨询类 Agent
  4. 拆分之后发现 token 账单、响应延迟明显超标,任务准确率没有提升甚至下降
  5. 子 Agent 功能很薄,只是简单调用一个工具,本身没有独立复杂推理逻辑

四、真正适合保留多 Agent 拆分的场景(不要强行合并)

  1. 大范围并行调研:需要同时从大量独立角度、海量资料里分头检索,最后汇总结论,多 Agent 并行能提升覆盖广度
  2. 完全独立的任务域:不同子 Agent 的上下文、数据、权限完全隔离,互相几乎不共享信息,比如安全审计 Agent 和营销文案 Agent
  3. 重型独立专项任务:比如独立代码审计、大规模仿真、长文档深度研读,这类任务本身推理链路很长,单独子 Agent 可以独立产出成果工件,通过引用传递结果而不是复制全部上下文
  4. 权限强隔离:不同子 Agent 绑定不同的账号权限、数据权限,必须做身份和权限隔离,不能混在同一个主 Agent 里

五、落地判断步骤(架构选型实操流程)

  1. 先做基线:先用单 Agent+Skills 实现一版,记录准确率、token 消耗、响应耗时,作为对比基准
  2. 评估耦合度:判断各个子任务是否需要高频共享上下文,强耦合优先不拆分
  3. 评估并行收益:如果只是串行执行,拆分收益很小;只有需要多路并行探索,才考虑多 Agent
  4. 评估权限隔离需求:有数据、权限隔离硬性要求,保留独立子 Agent
  5. 做对照实验:同时上线两套架构,用同一批测试集跑全局指标,不要只看子任务局部指标
  6. 渐进式治理:已经有大量子 Agent 的项目,优先合并调用频率最高、耦合最强的子 Agent,逐步收敛,不要一次性大改

小结

拆分多 Agent 是早期模型能力不足时的补偿方案,不是 Agent 架构的标准答案。现在大模型长上下文、工具调用能力变强,架构的核心原则变成能不拆就不拆,只在并行探索、权限隔离、完全独立重型任务时拆分。优先选择单 Agent + 技能工具的模式,把子 Agent 作为可选的扩展,而不是默认架构,避免为了追求 “看起来模块化”,付出成本、体验、稳定性的代价。

【相关 FAQ】

问题 1:按照 Anthropic 这个观点,是不是所有多 Agent 架构都不推荐使用?

回答 1:不是,Anthropic 并没有否定多 Agent,只是反对盲目拆分多 Agent;并行大范围调研、权限隔离、独立重型专项任务适合多 Agent,强耦合、简单分支的场景优先用单 Agent+Skills。

问题 2:过度拆分多 Agent,为什么会让 token 消耗高出单 Agent 好几倍?

回答 2:多 Agent 架构里每个子 Agent 都要维护独立上下文,Agent 之间交互、结果摘要传递都会额外产生 token,同等任务下多 Agent 通常是单 Agent 的 3~10 倍开销,这也是 Anthropic 强调的过度拆分多 Agent 的核心成本问题。

问题 3:单 Agent+Skills 方案遇到提示词太长、上下文膨胀怎么办?

回答 3:单 Agent+Skills 的短板就是上下文稀释,遇到这种情况,可以把稳定的业务知识放到外部知识库检索,或者只把真正独立、不共享上下文的模块拆成少量子 Agent,而不是一刀切全部拆分子 Agent。

问题 4:已经上线了大量子 Agent 的项目,怎么按照 Anthropic 思路优化?

回答 4:优先从耦合度最高、调用最频繁的子 Agent 开始,逐步折叠回主 Agent 循环,保留权限隔离、并行调研类必要子 Agent,同时用全局指标评估准确率、延迟、token 消耗,不要一次性重构全部多 Agent 链路。

【参考资料】

[2026-10-22](Building agents: When to fold subagents into your main agent loop)Anthropic 官方博客

[2026-10-27](别盲目拆分多 Agent!Anthropic:很多团队的子 Agent 不是太少,是太多)51CTO

[2026-10-27](Kimi 额度的问题,Anthropic 找到了解决办法)36 氪

[2026-01-23](When to use multi-agent systems (and when not to))Anthropic 官方文档

[2025-06-13](How we built our multi-agent research system)Anthropic 研究院

【免责声明】

本文内容仅为 Anthropic Agent 架构工程观点科普,不构成 Agent 架构强制落地规范。不同模型能力、业务场景、评估指标下,单 Agent 和多 Agent 架构效果会存在差异;多 Agent 并行探索、权限隔离场景依然具备不可替代价值。架构选型建议搭建对照测试集,结合业务指标、成本预算、延迟要求做灰度验证,Agent 上线前做好幻觉、权限、计费风险管控。

今日大家都在搜的词: