单智能体与多智能体系统：何时值得增加复杂性
内容提要
单智能体系统适合线性任务，成本低、延迟小；多智能体系统虽增加延迟和成本，但在需要对抗性审查、工具集差异大、任务可并行或需不同角色时更有效。建议先构建简单系统，根据失败模式逐步扩展。
延伸解读
多智能体系统的隐性成本
文章指出，多智能体系统并非免费午餐，它引入了“复杂性税”：延迟叠加、token消耗增加、失败传播和编排难度上升。一个任务在单智能体下可能几秒完成，但经过多智能体多次交接后可能显著变慢。此外，一个智能体的错误输出可能在下游被放大，且智能体间可能陷入无意义的循环。因此，在考虑多智能体架构前，需评估这些成本是否可接受。
何时该升级到多智能体？
文章提出四个明确条件：需要对抗性审查（如代码生成后的独立批评）、工具集差异过大导致单智能体混乱、任务可并行执行以缩短时间、不同步骤需要截然不同的角色或安全限制。若你的工作流符合其中之一，多智能体架构可能值得；否则，单智能体可能更高效。
从简单开始，让失败驱动设计
文章建议先构建最简单的单智能体系统，观察其失败模式，再决定是否增加复杂性。例如，若智能体无法发现自身错误，则需引入批评者；若工具过多导致混乱，则需角色分工；若任务可并行却串行执行，则需并发智能体。这种“由失败驱动”的扩展方式，能避免过度设计，确保复杂性是必要的。
Q&A
单智能体系统和多智能体系统的主要区别是什么？
单智能体系统由一个智能体负责整个任务，而多智能体系统由多个专业智能体分工协作，通常由一个编排者管理。单智能体延迟低、成本低、调试简单，适合线性任务；多智能体系统延迟高、成本高、调试复杂，但能处理更复杂的任务。
多智能体系统有哪些主要缺点？
多智能体系统的主要缺点包括：延迟叠加（智能体间等待导致耗时增加）、成本高（模型调用和token消耗多）、故障传播（一个智能体的错误可能影响后续）、编排复杂（需要管理共享内存、状态和上下文）。
在什么情况下应该考虑使用多智能体系统？
当满足以下四个条件之一时，多智能体系统值得考虑：1. 需要对抗性或批评性工作流（如代码审查）；2. 工具集差异大，单一智能体容易混淆；3. 任务可以并行执行；4. 不同步骤需要截然不同的角色或安全护栏。
为什么语言模型不适合自我审查？
因为语言模型在自我审查时往往无法发现自身生成的错误，自我审查与原始生成过于接近，缺乏客观性。多智能体系统通过分离生成和审查角色，让批评者智能体以不同目标独立评估，能更有效地发现问题。
如何判断一个任务应该用单智能体还是多智能体？
一个实用启发是：如果人类完成该任务需要切换上下文、更换软件或改变思维方式，则可能适合多智能体；如果一个人在一个工位上用一个浏览器标签就能完成，则单智能体可能足够。
构建AI系统时，为什么建议从单智能体开始？
因为从简单系统开始可以观察失败模式，根据实际需求逐步扩展。例如，如果智能体总是忽略自身错误，则添加批评者；如果工具太多导致混乱，则进行角色分工；如果任务可并行但耗时，则引入并发。这样架构演进基于实际限制，而非预先猜测。
