Anthropic 官方指南:你的子智能体可能该合并了——单 Agent 循环快 2 倍的架构决策法

举报
Daniel777 发表于 2026/10/23 08:59:13 2026/10/23
【摘要】 过去两年,Agent 架构建模的主流思路是「拆」:一个 orchestrator,下面挂 router、planner、一堆领域子智能体,每个团队负责自己那个。10 月 22 日,Anthropic 应用 AI 团队发了一篇指南,标题很直接——《什么时候把子智能体折进主 Agent 循环》。核心结论更直接:单个带 skills 的智能体,在质量上经常优于多子智能体设计,而且成本和延迟都更低。...

过去两年,Agent 架构建模的主流思路是「拆」:一个 orchestrator,下面挂 router、planner、一堆领域子智能体,每个团队负责自己那个。

10 月 22 日,Anthropic 应用 AI 团队发了一篇指南,标题很直接——《什么时候把子智能体折进主 Agent 循环》。

核心结论更直接:单个带 skills 的智能体,在质量上经常优于多子智能体设计,而且成本和延迟都更低。 某客户实测,改用单循环后运行速度快约 2 倍。

如果你正在搭 Agent,或者已经搭了一套越跑越慢的多智能体系统,这篇文章值得完整读完。


一、先看结论:三种架构的正面对比

维度 单智能体 + Skills 一提示全包(one-prompt) 多子智能体
质量 经常最优 较差 中等
成本 / 任务 常更低 — 更高
延迟 / 任务 常更低 — 更高
上下文 一个窗口,全共享 一个窗口,易膨胀 多次有损交接
团队协作 各团队贡献 skills/tools 一个团队 各团队各建 Agent

两个客户案例的实测数据:

案例 结果
某客户对比「多智能体 harness」vs「单智能体循环」 单循环运行快约 2 倍
另一家公司的客服 Agent 十几个专家子智能体 → 品牌体验难统一、延迟上升、用户体验受损

还有一个数字能说明「上下文膨胀」被解决到了什么程度:

Anthropic 把 Claude Code 面向更强模型的系统提示词减少了 80% 以上,砍掉的正是过去为了「渐进式披露 skills 和 tools」而堆的内容。

80% 的系统提示词,本质上都是过去的模型不够强时,人类替它做的补偿。


二、多智能体架构是怎么烂掉的:七种失败模式

这篇指南最有价值的部分,是它把「架构腐化」的过程写得很具体。典型演进路径是这样的:

意图分类器
  → 固定多步推理流水线
    → 用户分群分桶
      → 独立推荐分支
        → 顶层多智能体编排器

企业里的常见做法:各团队各自建 Agent,再由中央平台团队加一层 orchestrator(或者把特定 Agent 暴露为 MCP 工具)。看起来很合理,但会依次踩到七个坑:

# 失败模式 具体表现
1 上下文管理失控 需要决定 Agent 之间交换哪些上下文,来回传递常常丢细节
2 子智能体泛滥 每个团队都发布自己的子智能体,最终产生数百个重叠的子智能体,无统一标准、无明确负责人
3 弗兰肯提示词 每个团队往系统提示词里加一句,导致规则冲突、语气不一致
4 注水的评估 各团队只加针对自己子任务的 eval,没人维护整体集合;领导层基于「过度局部化」的分数做决策
5 延迟叠加 每次调用都是嵌套模型循环,层层累加(就是那 2 倍差距的来源)
6 康威定律生效 Agent 架构变成组织架构的复印件——每个部门一个子智能体
7 电话游戏 按「问题类型」拆 Agent 时,信息在多次交接中保真度逐级下降

第 6 条值得单独说:这是组织问题伪装成技术问题。 架构图上的每个子智能体,背后都是一个团队的 KPI。所以你很难靠技术手段拆掉它——这也解释了为什么很多团队明明知道多智能体更慢,还是改不动。

第 7 条是技术上的根本病因。指南给了一个明确的判据:

按上下文来划分,而不是按问题类型来划分。

按问题类型拆(「这个是订单问题、那个是售后问题」),必然导致信息在交接中衰减。按上下文拆(「这块工作几乎不需要跟系统其余部分配合,交回一个紧凑结果」),才是有意义的切分。


三、什么时候该保留子智能体:三个硬条件

指南没有一刀切说「都该合并」。它给了三个保留条件,满足任一即可保留:

条件 判断标准 怎么测
1. 可测量的上下文膨胀 单循环因为上下文过长,出现了可测量的性能下降 不是「感觉变慢了」,是 eval 分数真的掉了
2. 真并行 + 用后即弃 多个任务需要并行处理,且各自使用全新的上下文窗口,跑完就丢 任务之间真的无依赖
3. 工具选不准 / 指令冲突 单 Agent 难以选择合适的工具,或系统提示词里存在相互冲突的指令 工具数量超 30-50 个时常见

反过来,该合并的信号也很清楚:

  • Agent 结构正在复制组织架构(康威定律)
  • 需要维持一致的品牌声音 / 全局质量
  • 多智能体带来的额外延迟正在伤害用户体验
  • 模型能力已经够了,原架构只是在替模型做它已经不需要做的事

最后这条是整篇指南的底层逻辑,值得单独拎出来:

每个新模型都允许你把更多决策从 harness 移到模型本身。

过去你把「先分类、再路由、再规划」写死在代码里,是因为模型做不到。现在模型能做了,那些代码就从「必要架构」变成了「技术债」。

而且指南还补了一刀:僵化的多智能体结构经常是新模型无法承担更多工作的障碍。 你花三个月搭的路由器,正好挡住了新模型能力的发挥路径。


四、为什么单循环更好:三个理由

理由 机制
1. 共享上下文产生更好的答案 长时运行的 Agent 把所有任务的上下文放在同一个窗口里。看过前面每一步结果的 Agent 能把这些结果关联起来,产出远比「子智能体交回的一堆摘要」更丰富的洞察
2. 渐进式披露解决上下文膨胀 Agent 先只看到 skill / tool 的简短描述,需要时才完整加载。这消除了当初拆子智能体的主要理由
3. 模型本身更强了 从 Opus 4.5 起,模型能在单循环里处理远超多数团队预期的工作量;新模型会逐步叙述进展并自我检查,让部分 harness 元素变得多余

第 2 条是很多人的认知盲区:「上下文会爆」这个理由已经不成立了。

过去的解法是:拆子智能体,用独立窗口隔离,只传摘要回来。
现在的解法是:不拆,让 Agent 自己决定加载哪部分。

后者不仅省了交接损耗,还多了一个前者没有的能力——Agent 能在中途改变计划。

目标架构:单循环长什么样

┌─────────────────────────────────────────────┐
│  一个模型 · 一个上下文窗口 · 开放式工具循环   │
├─────────────────────────────────────────────┤
│  每一轮:                                    │
│    模型发出一批工具调用                       │
│      ↓                                       │
│    harness 并行执行                           │
│      ↓                                       │
│    原始结果返回给同一个模型                    │
│      ↓                                       │
│    模型决定下一步:再调一批 / 问用户 / 给答案   │
├─────────────────────────────────────────────┤
│  停止条件:给出答案,或触达预算                │
│  预算控制:轮次预算 · 成本预算 · 写操作门禁     │
│  可选:答案后跑一次验证器检查                  │
└─────────────────────────────────────────────┘

计划机制是这里最关键的改动:模型在第一轮就把计划写进上下文,并随结果到达持续修改。

对比一下差异:

多智能体 单循环
谁写计划 Planner 子智能体 主模型自己
谁执行计划 Implementer 子智能体(另一个上下文) 同一个模型
能否中途改计划 难(要重新走一遍路由) 能,随时

「写计划的模型也是执行计划的模型」——这一句话解决了多智能体架构最本质的问题:计划和执行之间的信息不对齐。

组件该往哪搬:一张迁移映射表

这是全文最实用的一张表,可以直接当重构清单用:

原来的组件 搬到哪
意图路由器 / 计划重写代码 直接删掉(模型每步自决)
领域子智能体提示词(步骤、规则、判断) Skills
子智能体 / 系统 API 调用 MCP Tools
校验、审批门禁、权限、记忆查找 Tools
参考事实材料(政策、指标定义、产品规格) 知识库(搜索/查询工具)或 skill 内的参考文件

几条配套的工程纪律:

  • 工具按用户意图分组,不是一个 API 一个工具——超过 30-50 个工具定义后,工具选择质量会下降
  • 用 tool search + 延迟加载,而不是把所有工具定义都塞进系统提示词
  • 权限在工具内部检查:每个工具自己判断调用用户能看/做什么,返回模型可读的明确拒绝。这样一个循环就能服务不同权限级别的用户,不需要每个权限级别一个 Agent
  • 反过来也别用代码检索上下文再粘进提示词——这类东西交给知识库工具

五、怎么迁移:四步操作法

指南给了一个非常克制的推进路径。核心原则是那句话:

measure, change one thing at a time, and keep what holds up
(度量、一次只改一件事、保留经得起检验的)

第 1 步:建一个小的端到端评估集

要点 说明
结构 中央团队拥有共享的端到端 eval + 各团队随 skill 发布小型 eval
起步规模 10 个黄金样例就够启动
基础做法 按 rubric 给 Agent 的最终消息打分
过渡指标 有 orchestrator 时看路由准确率;折入后看是否加载了正确 skill / 调用了正确工具
终态目标 任务完成度评估——比较不同架构时这个最重要

如果内部系统难以回放、用户交互难以模拟怎么办?指南给了一个很实用的土办法:给重要事件记录时间戳,事后回放成针对性 eval。 Anthropic 内部验证有效。

第 2 步:先不动代码,拿一个基线

用「把子智能体当工具调用」的方式,先把多智能体包一层:

主 Agent 调用子智能体后继续跟用户对话,只有子智能体需要直接跟用户对话时才做完整交接,其余一切都是「skill + 主循环里的工具」。

好处是:不重写任何东西,就能拿到任务完成度的基线,还能顺便统一响应 schema、由主 Agent 用真实数据验证结论。

代价是:每个专家仍有自己的提示词、上下文、归属团队和 eval;每次调用还是返回有损摘要;每次调用还是嵌套模型循环,延迟照旧。

第 3 步:一次只折一个,从用得最多的开始

合并顺序的判断依据:合并那些串联调用彼此输出、触碰同一份数据、或经常被一起调用的专家。

具体信号很实用:在生产流量里,如果某个专家之后紧跟另一个专家的比例较高,这两个就是紧耦合,适合合成一个领域 Agent。

每次折入的动作固定:

子智能体的提示词  →  转成 skill
子智能体的 API    →  转成 MCP 工具
然后对比「折入版 vs 未折入版」的 eval 分数

第 4 步:判据不是「分数」,而是「哪些任务翻转了」

这是整篇指南最反直觉、也最值钱的一条:

不要只看最终分数,要看哪些任务发生了翻转(which tasks flipped)。

因为总分可能持平甚至小幅上升,但某个关键流程已经被悄悄打断了。


六、一个真实的翻车案例(务必读这一节)

指南里给了一个非常具体的失败案例,我建议每个做 Agent 的人都记住它。

发生了什么

Anthropic 在样例支持 Agent 上折入了一个子智能体。结果:

  • 延迟降低了(符合预期)
  • 但破坏了一个原本通过的流程

具体是怎么坏的:

主 Agent 持有订单查询工具,于是它直接自己作答了,没有去问运输专家要配送日期。

原来那个运输专家子智能体,职责就是提供配送日期。合并后主 Agent 有了订单工具,觉得「我知道答案了」,就跳过了这一步。

更可怕的部分

这个回归只在两次运行中的一次里出现。

也就是说:如果你的 eval 每个任务只跑一次,你有 50% 的概率根本发现不了这个 bug。它会安静地上线,然后在生产环境里以「偶尔给出不完整答案」的形式出现,让你查很久。

所以指南的结论是

改动前,确保 eval 覆盖:

  1. 生产环境中的每一个「链式运行的 Agent 组合」
  2. 每一条**「不可违背的规则」**
  3. 并且每个任务运行不止一次

这一条我加一句自己的理解:Agent 的 eval 和多智能体的 eval,最大的差别就在这里。传统软件测试是确定性的——跑一次通过就是通过。Agent 有随机性,单次通过等于没测。

传统测试 Agent eval
运行次数 1 次通过即可 必须多次(至少 2-3 次)
关注点 断言是否成立 哪些任务翻转了
覆盖率要求 代码分支 链式组合 + 不可违背规则

七、工具链:迁移套件和四个技能

Anthropic 放出了一套配套工具,可以直接用:

迁移套件

github.com/anthropics/single-agent-loop-kit

作用:跑一个引导式工作流,帮你识别自己属于哪种模式、评估替代方案、验证最佳方案。里面带可在 mock 系统上先试跑的 demo——正式动你的 Agent 之前,可以先在沙盒里走一遍。

四个 Claude API 技能

技能 用途 什么时候用
/claude-api build-eval 建第一个端到端评估集(中央团队版或团队小型版) 迁移前第一步
/claude-api prompt-audit 标记那些为旧模型写的指令(在提示词、skills、工具描述里),以 diff 形式给修复建议 特别有用:能找出「早期为老模型加的、如今让 Agent 更慢更僵化」的规则
/claude-api hillclimb 针对现有 eval 迭代改进应用 折入后让它迭代 skill 和工具描述,看能否追平或超过子智能体版本
/claude-api cost-optimize 分析调用去向,一次只提一个改动地给节省建议 上线后持续优化

其中 prompt-audit 值得重点说。它解决的是一个几乎所有人都有的隐性技术债:提示词里堆着大量为老模型写的补丁。

比如三年前你写「如果用户问价格,必须先调用 price_query 工具,不要自己算」——当时的模型确实会瞎算。现在的模型不会了,但这条规则还在,还在消耗你的 token、还在限制模型的判断空间。

这些补丁不会自己消失,因为没人记得它们为什么存在。用工具批量审计,是唯一现实的办法。

评估「是否值得合并」的操作清单

1. 建小型端到端 eval(10 个黄金样例起步)
   覆盖每条生产链式组合 + 每条不可违背规则

2. 用「把子智能体当工具调用」拿到基线(不重写)

3. 一次只折一个子智能体
   提示词 → skill,API → MCP 工具

4. 对比折入 / 不折入
   ★ 不只看分数,要看哪些任务翻转
   ★ 每个任务跑多次(2 次里 1 次才暴露的问题)

5. 决定
   折入版更差 → 保留为子智能体
   折入版持平或更好 → 保留折入版

八、三条可以带走的判断

判断一:Agent 架构的复杂度,应该跟着模型能力往下走,不是往上走

这几年大家的直觉是「Agent 要更强,架构就要更复杂」。指南给的方向恰好相反:

每个新模型都允许你把更多决策从 harness 移到模型本身。

而且它给了一个很实用的自检问题:你现在架构里的每一个组件,是在解决「模型做不到」,还是在解决「组织需要」?

  • 如果是前者 → 每换一次模型就该重新评估,很可能可以删
  • 如果是后者 → 那是管理问题,靠加组件解决不了,只会更慢

判断二:『按问题类型拆』是架构腐化的起点

这条我在其他多智能体文章里也见过类似的观察,但指南给的替代方案更明确:按上下文拆,不按问题类型拆。

区别在哪?

拆分依据 例子 结果
按问题类型 「订单 Agent」「售后 Agent」「退款 Agent」 一个用户问题涉及三者时,信息在三次交接中衰减(电话游戏)
按上下文 「处理这块数据的所有事,不需要碰系统其余部分」 交回一个紧凑结果,无衰减

判断标准很好记:这个子任务,能不能在不了解系统其他部分的情况下独立干完? 能,才值得拆。

判断三:Agent 的评估基础建设,比 Agent 本身更值得投入

整篇指南里,关于「怎么测」的篇幅远大于「怎么写」。

原因很实在:没有可靠 eval,你根本不知道自己在优化还是在退化。 那个「两次运行只失败一次」的案例,就是这个道理最锋利的证明。

如果你只能做一件事,就做这个:给你最重要的 10 个 Agent 任务写 eval,每个跑 3 次。

这比重构架构的收益来得更快,也更确定。


九、一句话总结

这篇指南真正的价值,不是教你「怎么合并子智能体」,而是给了你一套判断架构该不该存在的方法:

建小 eval → 折入一个 → 更差才保留 → 反复迭代。

它反的是过去几年「Agent 越复杂越专业」的默认假设。而这个假设之所以成立过,只是因为模型不够强;现在不成立了,架构就该跟着还债。

如果你手上正好有一套跑得越来越慢的多智能体系统,先别重写。按这个流程,从用得最多的那个子智能体开始,折一个试试——先用 eval 证明它值不值得留,比争论架构更好。

【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。