为什么“虚拟公司”式多Agent架构在工程上不成立
在构建多Agent系统时,一种将Agent拟人化、模仿公司职能部门(如产品经理、开发、测试)分工协作的“三省六部”架构在社区颇为流行。这种模式虽然符合人类直觉且易于解释,但从工程视角来看,它存在根本性的逻辑缺陷。顶级AI厂商在实际构建生产级系统时,均未采用此类流水线式的角色分工模式,而是转向了更符合大模型特性的架构设计。
01错误类比:拟人化分工的局限性
“三省六部”架构试图通过角色扮演来解决复杂任务,但这混淆了人类瓶颈与AI瓶颈。人类需要分工是因为注意力和专业能力的局限,而大模型本身具备全能性,没有职业边界。给Agent贴上“测试工程师”的标签,不会提升其专业度,反而会制造人为的边界,导致其拒绝处理职责之外的问题,扼杀了发生在边界交叉处的有价值推理。
此外,该模式下的信息流转本质上是结论的传递而非推理过程的延续。Agent A产出文档传给Agent B,B需重新建立上下文,导致原始意图衰减、隐含假设丢失。随着流水线拉长,系统会出现“局部正确但整体漂移”的现象。人类组织依靠文化和非正式沟通弥补损耗,而Agent之间缺乏这种机制,导致大量Token被浪费在无效的交接文档上。
02厂商实践:Anthropic、OpenAI与Google的解法
主流厂商在构建Agent系统时,核心思路在于保持推理链的连续性和利用外部状态,而非角色分工。以下是三家厂商技术方案的对比:
| 厂商 | 核心策略 | 关键机制 | 架构特点 |
|---|---|---|---|
| Anthropic | Context Engineering + 显式状态 | claude-progress.txt、Git history、Initializer Agent | Orchestrator-Worker模式:并行探索而非流水线,Token覆盖搜索空间。 |
| OpenAI | Compaction + Skills | 结构化Spec文件、Runbook、Server-side compaction | 长任务规划:冻结目标防止漂移,通过previous_response_id保持上下文。 |
| Context-driven Development | 1M token context、Conductor扩展、Thought Signatures | 长上下文锚定:依赖持久化Markdown文件而非聊天记录,防止推理漂移。 |
三家主流厂商Agent架构方案对比
03核心原则:工程架构的正确导向
- 推理链连续性优于分工
多Agent的正确形态不是接力赛,而是由主Agent持有完整意图,子调用深挖子问题后回流合并。 - 显式外部状态存储
不依赖模型记忆,而是将推理关键节点外化到持久存储(如数据库、Git),实现跨Session的连续积累。 - 并行覆盖而非职能隔离
多Agent的价值在于用更多Token并行覆盖独立方向(广度优先),而非拆解连续的推理任务。 - 工具优于角色
赋予Agent具体的工具(bash、代码执行)比赋予其职业标签更重要,工具决定能力边界。
04实践建议:如何构建有效的多Agent系统
设计系统时,不应关注“需要几个Agent”,而应分析任务的信息依赖结构。对于需要连续推理的任务,单Agent配合良好的Context Engineering往往优于多Agent。若需跨越多个Session,必须维护包含任务目标、完成步骤、当前状态及已知坑点的状态文件。此外,验证环节应设计为对抗性检验(专门找问题),而非流水线式的接力。架构需保持可演化性,以适应模型能力的快速迭代,避免针对特定模型bug设计的硬编码方案变成未来的技术债务。
当前文章无评论,是时候发表评论了