Anthropic 多智能体研究系统架构与经验教训
摘要
Anthropic 发布了一个生产级多智能体研究系统，使 Claude 能够编排并行子智能体，用于网络、工作区和工具驱动的搜索，在广度优先查询上性能提升高达 90%，同时产生更高的 token 成本。
为什么多智能体研究很重要
多智能体系统可以动态调整其研究计划，并行探索多条线索，并在独立的上下文窗口中压缩发现——这些能力是单智能体流程在开放式、路径依赖的调查中所不具备的。
核心架构模式
该系统采用编排者-工作者设计：
- 主导智能体 – 接收用户查询，制定研究策略，并生成专门的子智能体。
- 子智能体 – 并行运行，每个使用搜索工具收集问题不同方面的信息。
- 引用智能体 – 对汇总结果进行后处理，生成精确的来源引用。
主导智能体将其计划保存在长期记忆中，以应对上下文窗口截断（约 200k token）。子智能体采用交错思考，在发出下一个查询之前评估工具输出。并行性发生在两个层面：多个子智能体并发运行，每个子智能体可以并行调用多个工具，将复杂查询的研究延迟降低高达 90%。
性能提升
- 基准测试：在 Anthropic 的内部研究评估中，Claude Opus 4 主导 + Claude Sonnet 4 子智能体的组合比单个 Claude Opus 4 的性能高出 90.2%。
- BrowseComp 分析：token 使用解释了 80% 的性能差异；工具调用次数和模型选择解释了剩余差异。
- 从 Claude Sonnet 3.7 升级到 Claude Sonnet 4 带来的提升大于将 token 预算翻倍，证实了模型效率会放大并行 token 使用的好处。
Token 成本权衡
- 多智能体运行消耗的 token 大约是标准聊天的 4 倍，是单智能体交互的 15 倍。
- 因此，经济可行性要求任务具有高价值，性能提升足以证明成本合理。
- 智能体之间依赖关系紧密的任务（例如，许多编码步骤）目前不太适合这种架构。
提示工程原则
| # | 原则 | 实际影响 |
|---|---|---|
| 1 | 像你的智能体一样思考 | 在 Anthropic Console 中的模拟运行暴露了失败模式，如冗余搜索和过早终止。 |
| 2 | 教导编排者委派任务 | 清晰的子智能体目标、输出格式和工具指导可防止重复工作和遗漏。 |
| 3 | 根据查询复杂性调整工作量 | 明确的规则（例如，简单事实使用 1 个智能体 + 3-10 次工具调用）可抑制过度投入。 |
| 4 | 工具设计很重要 | 准确的工具描述和启发式规则（例如，优先选择专用工具而非通用工具）可避免死胡同搜索。 |
| 5 | 让智能体自我改进 | Claude 4 可以诊断有缺陷的工具描述并重写它们，将未来任务时间减少 40%。 |
| 6 | 先宽后窄 | 初始查询范围广泛，然后逐步细化，可以获得更丰富的来源集。 |
| 7 | 引导思考过程 | 扩展和交错思考作为可见的草稿板，改善规划和结果评估。 |
| 8 | 并行工具调用 | 生成 3-5 个子智能体，并允许每个智能体并行调用至少 3 个工具，可显著减少总体研究时间。 |
评估策略
- 小样本早期测试：一组约 20 个真实世界查询揭示了提示调整，将成功率从 30% 提高到 80%。
- LLM 作为评判者：一个基于 Claude 的评判者对输出进行评分，评估事实准确性、引用正确性、完整性、来源质量和工具效率，提供 0.0-1.0 的分数和通过/失败标签。
- 人工抽查：人工审查员发现了对 SEO 重度来源的系统性偏差；添加来源质量启发式方法纠正了这个问题。
- 最终状态聚焦：评估不是强制执行固定的逐步路径，而是判断最终答案是否满足查询意图，从而容纳各种有效的研究轨迹。
生产可靠性挑战
- 有状态错误传播 – 智能体维护长期运行的状态；失败必须可恢复，而不是需要完全重启。Anthropic 添加了检查点和模型驱动的错误处理（例如，通知智能体工具失败）。
- 可观测性 – 对智能体决策的全栈追踪（不暴露用户内容）使得能够快速对遗漏信息进行根本原因分析。
- 彩虹部署 – 在旧版和新版智能体之间逐步转移流量，防止更新期间出现中途崩溃。
- 同步瓶颈 – 当前主导智能体的协调会等待所有子智能体完成后再继续；未来的工作旨在引入异步执行，以增加并行性，尽管会增加协调复杂性。
实际影响
用户报告称，Claude 的研究功能能够发现商业机会、澄清复杂的医疗选择、解决技术错误，并节省数天的手动调查时间。使用热图（Clio 嵌入图）显示主要类别：软件系统开发（10%）、专业内容创作（8%）、商业策略（8%）、学术研究（7%）和实体验证（5%）。
对开发者的启示
- 为并行性设计：独立的上下文窗口和明确的分工使得 token 高效扩展成为可能。
- 通过模拟迭代提示：逐步观察智能体可以揭示微妙的失败模式。
- 优先考虑工具可用性：精确的工具描述和启发式规则可大幅减少浪费的调用。
- 实现强大的可观测性和可恢复状态：小错误可能会级联；检查点和追踪至关重要。
- 尽早使用小型、多样化的查询开始评估：早期反馈可以在大规模基准测试之前带来巨大的性能提升。
所有陈述均反映 Anthropic 自身的报告；未添加任何外部数据。