[译] Anthropic 是如何构建 Multi-Agent Research 系统的（2025）
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。
延伸解读
多智能体系统的优势与挑战
Anthropic的多智能体研究系统通过多个智能体的协作，显著提高了复杂任务的研究效率，尤其在广度优先查询中表现优异。然而，该系统的高昂token消耗和协调复杂性也带来了挑战，尤其在需要共享上下文或存在依赖关系的任务中，可能不适合使用。
动态调整与提示词工程的重要性
在多智能体系统中，提示词工程是优化智能体行为的关键。合理的提示词不仅能提高任务执行的效率，还能帮助智能体在动态环境中做出更好的决策。设计良好的提示词能够减少重复工作，确保每个智能体的任务明确，从而提升整体研究质量。
评估方法的灵活性
评估多智能体系统的效果需要灵活的方法，传统的评估标准可能无法适用。由于每个智能体可能采取不同的路径达到相同的目标，评估应关注最终结果而非过程中的每一步。这种方法能够更好地反映系统的实际表现，确保评估的有效性。
Q&A
Multi-Agent系统的主要优势是什么？
Multi-Agent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，尤其在处理开放式问题时表现优异。
Multi-Agent系统的架构是怎样的？
Multi-Agent系统采用Orchestrator-Worker模型，Lead Agent协调流程并将任务委派给多个并行运行的sub-agent。
使用Multi-Agent系统时需要注意哪些缺点？
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。
如何评估Multi-Agent系统的效果？
评估Multi-Agent系统的效果需灵活，不能依赖传统评估方法，而是判断Agent是否实现了正确的结果。
Multi-Agent系统如何处理开放式问题？
多个sub-agent并行运行，探索同一问题的不同方面，动态调整下一步方向，从而有效处理开放式问题。
在构建Multi-Agent系统时，提示词工程的重要性是什么？
提示词工程是改进Agent行为的主要手段，合理下发工作和管理查询复杂度至关重要。
