ARTHURCHIAO'S BLOG
·
[Translation] How Anthropic Built a Multi-Agent Research System (2025)
💡
原文英文，约6700词，阅读约需25分钟。
📝
内容提要
Anthropic构建了一个多智能体研究系统，通过智能体协作和动态调整，提高了复杂任务的研究效率。尽管存在高昂的token消耗和协调复杂性，该系统在处理开放式问题时表现优异，特别适合广度优先查询的任务。
🎯
关键要点
- Anthropic构建了一个多智能体研究系统，通过智能体协作和动态调整，提高了复杂任务的研究效率。
- Multi-Agent系统由多个Agent组成，包括Lead Agent和sub-agent，协同工作完成复杂任务。
- Agent适合回答开放式问题，模拟人类研究过程，动态调整下一步方向。
- 多个sub-agent并行运行，探索同一问题的不同方面，减少路径依赖，实现深入研究。
- Multi-Agent系统在广度优先查询任务中表现优异，性能显著高于单一Agent。
- Multi-Agent系统的有效性依赖于足够的token使用量，token消耗是主要性能差异因素。
- Multi-Agent系统的缺点包括高昂的token消耗和协调复杂性，某些领域不适合使用该系统。
- 系统架构采用Orchestrator-Worker模型，Lead Agent协调流程并委派任务给sub-agent。
- Multi-Agent架构使用多步搜索，动态查找相关信息，回答质量更高。
- 提示词工程是改进Agent行为的主要手段，需合理下发工作和管理查询复杂度。
- Agent-Tool接口设计至关重要，使用正确的Tool能显著提高任务效果。
- 评估Multi-Agent系统的效果需灵活，不能依赖传统评估方法。
- Agent的状态管理和错误处理是系统可靠性的关键，需建立有效的恢复机制。
- 使用rainbow deployments发布更新，避免中断正在运行的Agent。
- 在复杂研究任务中引入并行Tool调用，显著提升速度和性能。
- 构建AI Agent时，最后一公里的投入至关重要，Multi-Agent系统是解决开放式任务的有效方式。
➡️
