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
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:
- 生产环境中的每一个「链式运行的 Agent 组合」
- 每一条**「不可违背的规则」**
- 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。
- 点赞
- 收藏
- 关注作者
评论(0)