Anthropic: How We Built Our Multi-Agent Research System ​

来源: anthropic.com/engineering/multi-agent-research-system 日期: 2025-06-13 分析: WLB

一句话总结 ​

Anthropic 用 Orchestrator-Worker 模式构建了多 Agent 研究系统，比单 Agent 强 90.2%，但 token 消耗 15 倍。

核心架构 ​

用户查询
    ↓
Lead Agent（规划 + 协调）
    ↓ ↓ ↓
Subagent₁  Subagent₂  Subagent₃ （并行搜索）
    ↓ ↓ ↓
汇总 → 最终回答

关键设计：

• 每个 Subagent 有独立 context window — 避免 path dependency
• Lead Agent 使用 Memory 持久化计划 — 防止 context 溢出丢失
• Subagent 是"智能过滤器" — 迭代搜索后返回关键信息
• 传统 RAG = 静态检索；他们的架构 = 多步动态搜索

关键数据 ​

Token 用量是最关键因素 ​

Anthropic 发现 token 用量本身就解释了 80% 的性能差异。这意味着：

"砸够多 token 就能解决问题" — 但这不经济，需要架构设计来提高 token 效率。

Multi-agent 的核心价值：通过并行 context window 突破单 agent 容量限制。

适用场景 ​

✅ 适合 Multi-Agent ​

• Breadth-first 查询（多方向并行搜索）
• 超出单 context 窗口的大任务
• 高价值任务（值得 15x token 成本）
• 需要接口众多复杂工具

❌ 不适合 ​

• Coding 任务（并行化少，依赖多）
• 所有 agent 需要共享同一 context
• 低价值任务（token 成本不划算）
• 需要 agent 间实时协调的任务

核心洞察 ​

1. 并行化是核心价值 ​

"Multi-agent systems excel at valuable tasks that involve heavy parallelization"

单 agent 做 S&P 500 IT 公司董事会搜索 → 失败（太慢，顺序搜索） Multi-agent → 成功（分解为子任务并行搜索）

2. Context 分离 = 减少 Path Dependency ​

每个 agent 独立探索，避免"一个走偏带偏全局"。

3. 扩展 Intelligence 的方式 ​

"Even generally-intelligent agents face limits when operating as individuals; groups of agents can accomplish far more."

就像人类：单个人智力没怎么变，但社会集体能力指数级增长。

4. Token 经济学是硬约束 ​

• 单 Agent chat: 1x tokens
• 单 Agent (agentic): 4x tokens
• Multi-agent: 15x tokens

只有高价值任务才值得。

对我们的借鉴 ​

WLB + GSD 架构启示 ​

可行动项 ​

1. 评估任务是否适合 multi-agent — 不是所有任务都值得
2. 引入 Memory 机制 — 长任务的中间状态持久化到文件
3. 监控 token 用量 — 知道每个任务花了多少 token
4. 保持 Context 分离 — 已经做好了，继续保持

原文引用 ​

"Once intelligence reaches a threshold, multi-agent systems become a vital way to scale performance."

"Multi-agent systems work mainly because they help spend enough tokens to solve the problem."

"For economic viability, multi-agent systems require tasks where the value of the task is high enough to pay for the increased performance."

下一篇: Context Engineering 深度分析 →