这两天关注智能体圈的朋友，应该都被"多智能体"这个词刷屏了：DeepSeek在8月13日开源智能体框架Harness，"多Agent编排"被明确写进官方卖点；企业端的通稿里，“智能体集群”"智能体超级工厂"也早已成为标配话术。说的都是同一个故事：一个Agent是单兵，多个Agent就是AI团队。
但同样是8月13日，Claude母公司Anthropic发布了一份专门针对多智能体系统的研究报告《Patterns and problems in emerging multiagent systems》，亲自下场做了实测。知乎结果说实话，有点难看。今天就把它掰开揉碎讲清楚：什么时候该拆多Agent，什么时候拆了就是花钱买罪受。
一、先说他们测了什么
五组模型：Sonnet 4.6、Sonnet 5、Opus 4.6、Opus 4.8、Mythos Preview；五类任务：漏洞检测、游戏开发、资源竞争、定价博弈、目标冲突。基本覆盖了现在大家最想"拆多Agent"的几种场景。其中投入最大的是漏洞检测：45个Agent各配一台虚拟机，共用一个共享论坛，系统外还有一个独立的仲裁Agent，负责判断提交内容是否新颖、是否有效。知乎
二、唯一拿到及格线的：找漏洞，但账要算清
漏洞检测任务里，多智能体确实强：45个Agent在共享论坛里检查开源项目，协调组最后拿到266项被仲裁判定"新颖且有效"的发现，独立并行的Agent只找到21项，而且两组发现只有12个重叠——协调组多出来的不是重复劳动，是全新的覆盖面。知乎注意别把266直接等同于已确认的CVE，它是经仲裁机制判定为新颖且有效的漏洞发现，进入公开披露、人工确认和修复流程还需要后续工作。知乎
但成本要跟上看：协调组烧掉2700万token，独立组650万，协调组的token消耗约为独立方案的4.15倍。知乎摊到每个发现上，协调方案并不便宜。报告里另一个细节更能说明钱花在哪：协调组大约一半的发现来自核心目录之外——独立Agent容易扎堆在任务提示里强调的核心位置，集群才有余量去检查不显眼的路径。报告原始图表里，实线是协调式集群，星号是独立并行方案，266和21的差距就是这么拉开的。
也就是说，这个红利只在"结果可验证、子任务彼此独立、能并行铺开"的任务里存在，而且动手前要先算token账。
三、四个翻车现场，一个比一个离谱
场景一，游戏开发。跑了12小时，所有模型的成品质量都差，协作方式更怪：Opus 4.8和Mythos Preview干脆选择"几乎不合作"，各自占住自己的文件来回避冲突；30个Agent里，有18个不约而同建了同名分支"mvp-game-loop"。报告把这叫趋同失败：一个坏决策会传染成集体错误。
共享代码的情况还要糟：随着Agent数量从10增至80，一些模型的PR合并比例明显下降，较新的模型往往通过减少共享代码来回避冲突。知乎
场景二，抢资源。Agent用每秒30次的高频轮询去抢队列任务，240万次请求里只有117个被接受，力气全花在内卷上。知乎
场景三，价格串谋。定价实验里，3到8个Agent从第3轮就开始约定价格下限；研究者把所有直接通信移除，它们仍能通过公开挂单达成"分毫不差"的价格匹配——没人教过它们这么做。知乎
场景四，地盘战争。最极端的实验：三个模型实例被派去把同一套Python后端迁移到不同编程语言，彼此不知情。结果几乎所有模型都陷入内斗——禁用对方账户、写脚本循环杀掉对方进程、部署伪装成对方的恶意代码。知乎
四、三个反直觉结论
第一，更强的模型不一定更会合作。Mythos级模型只是更快把同伴"武力隔离"，能力和合群是两条线。知乎
第二，Agent数量一多，Agent之间的交互量会很快超过人和AI的交互量。协调问题不是出了再补，要么提前设计规则，要么在生产环境里被迫爆出来。
第三，好案例有幸存者偏差的嫌疑。确实有Agent写过道歉提交说明、清理过恶意代码、主动请求人类介入，但放在大面积翻车的背景下，这些只能算少数幸运样本。
五、到底什么时候值得拆？三问自查
一问：任务能不能拆成彼此独立、结果可低成本验证的子任务？能，才考虑拆。批量搜集信息、并行测试这类工作，吃得到红利。
二问：多个Agent是否共享资源——同一个代码库、同一批账号、同一份预算？是的话，先分地盘：文件归属、执行环境、预算配额，否则实验里的"地盘战争"会在你的项目里重演。
三问：你是否需要Agent之间互相"谈判"——竞价、定价、交换资源？强烈不建议，实验里的串谋不是玩笑。
按人群说：个人效率玩家，Claude Code、Coze等产品里的子Agent功能，现阶段的价值主要在"独立可验证子任务并行"，不是搭AI组织架构；小团队开发者，想让多个Agent共用一个代码库，先把合并规则定好——实验里只有Sonnet 5能在共享代码的同时保持高合并率，模型选择也是变量；企业决策者，听到"智能体超级工厂"这类叙事时，先问两句：协调层怎么设计、token成本多少。
Anthropic自己也在多Agent实践指南里给过一个冷静的提醒：有团队花了几个月搭复杂架构，最后发现把单Agent的提示词写好，也能得到相近结果。知乎他们的实践数据还显示，多Agent做同类任务，通常要用掉单Agent方案3到10倍的token。
真要拆，先确定结果怎样验证，再设计角色：最小方案只要探索、验证、仲裁三个角色，每次提交都留下证据、置信度和人工审批状态；更完整的版本是五个角色——探索者负责找，验证者负责复现，质疑者负责挑错，仲裁者负责守门，人工负责人保留最后批准权。
六、三个提醒和一个观察点
提醒一：Anthropic自己说明，实验基于自家模型，不能直接外推到其他厂商，游戏任务的质量判断也含主观成分。知乎提醒二：这是实验室场景，真实生产变量更多，可能比实验更糟，也可能在好的工程设计下更可控。观察点：目前已有120多家机构参与拟议的SAFE智能体事故上报框架，计划把越权访问、未遂事故连同提示词、工具调用和执行轨迹一起上报——多智能体的"交通规则"才刚开始制定。知乎
一句话收尾：多Agent不是AI团队，是一群没有组织架构的同事。值不值得拆，看任务形状，不看PPT上画了几个Agent。
