60 个 AI Agent 一起工作：多智能体系统的能力、成本与失控风险

文章目录

• 1 -> 引言
• 2 -> 六十只是表面数字
• 3 -> 协作从任务契约开始
• 4 -> 并发扩大了搜索，也制造了审核债务
• 5 -> 当 Agent 开始形成一个社会
• 6 -> 一套更现实的多智能体架构

1 -> 引言

如果把一个 AI Agent 理解成一名不知疲倦的数字员工，那么同时启动六十个 Agent，听起来就像突然拥有了一支研究团队。它们可以并行搜索、写代码、做实验、互相检查，理论上也可以把原本需要几周的工作压缩到一天。

这正是多智能体系统最吸引人的地方，也是最容易被误解的地方。把同一个提示词复制六十份，并不会自动得到一支团队。更多时候，我们得到的是六十个共享同一盲点、重复消耗资源、最后把六十份相似答案交给人类收拾的执行者。

2026 年夏天，多智能体不再只是产品演示里的概念。Anthropic 公布的安全研究和数学研究都展示了大规模 Agent 协作能够产生单个 Agent 很难获得的结果，同时也暴露出代价、协调和治理问题。问题因此变得具体：什么样的搜索值得并行，Agent 之间怎样分工，以及谁来判断这群 Agent 是否正在集体走偏。

2 -> 六十只是表面数字

Anthropic 在 2026 年 8 月发布的多智能体系统研究里给出了一个很有冲击力的对比：在同一类漏洞研究任务中，简单的独立并行方法消耗约 650 万 Token，找到了 21 个漏洞；带协调机制的 Agent 群消耗约 2700 万 Token，找到了 266 个漏洞。后者的 Token 消耗大约是前者的四倍，产出却超过十二倍。

这组数字不能被简单理解为“多开 Agent 就能提高十二倍效率”。它反映的是搜索策略变化：独立 Agent 容易反复碰撞同一条路线，而协调系统能够共享线索、避免重复、把有希望的方向继续向下钻，并让不同 Agent 在攻击面、验证方法和工具选择上形成分工。系统买到的并非廉价劳动力，而是更广的搜索覆盖。

另一个更戏剧性的案例来自 Claude 对黎曼 zeta 函数相关问题的研究。Anthropic 披露，系统协调了大约 60 个子 Agent，运行了数千次数值检查和 2400 次左右的 Shell 命令。最后，真正形成关键数学思路的只有两个 Agent；十多个 Agent 提供了辅助想法，三十个没有找到新进展，另有一批 Agent 专门验证结果和整理论文。这个过程反而很像现实研究：大多数尝试会失败，少数路线产生突破，而验证工作决定突破能否成立。Anthropic 对该研究过程的说明把这种不均匀贡献记录得很清楚。

所以，“六十”只是表面。系统能力来自三件更重要的事：允许大量失败、及时识别有效分支，以及把有效分支从偶然灵感推进成可验证成果。

3 -> 协作从任务契约开始

人类团队常通过会议建立共识，但 Agent 团队如果不断把所有过程同步给所有成员，上下文会迅速膨胀，真正重要的信息反而被淹没。一个成熟的多智能体系统，更像一组通过任务契约连接的独立工作单元，而不是六十个人挤在同一个群聊里。

好的任务契约至少要说明四件事：你负责探索什么范围；你可以调用哪些工具；你必须留下什么证据；在什么情况下停止或升级。协调者不需要知道每个 Agent 的全部思考过程，只需要接收结构化的中间产物，例如假设、证据、失败原因、置信度和下一步建议。

任务契约不必写得像一份厚重的流程文件，但它必须能被机器检查。下面这个简化示例把最容易含糊的几件事固定下来：目标不是“尽量研究”，而是回答一个限定问题；交付物不是一段顺滑文字，而是带来源的结论；预算与停止条件也提前写明。

task_id: market–entry–risk–scan
objective: 找出目标市场进入方案中最可能导致失败的三个假设
scope:
allowed_sources: [public_reports, official_statistics]
excluded_actions: [contact_people, purchase_data, publish_content]
deliverables:
– claim
– supporting_evidence
– counter_evidence
– confidence
budget:
max_agent_runs: 6
max_elapsed_minutes: 45
stop_when:
– three_independent_risks_verified
– two_rounds_without_new_evidence
escalate_when:
– sources_conflict
– required_data_is_not_public

这类契约的价值，是让协调者可以比较不同分支，而不是阅读六份风格各异的长文。执行者也知道，发现证据不足并不是失败，隐瞒证据不足才是失败。

这里还有一个常被忽略的设计：Agent 之间不应该完全同质。如果所有 Agent 使用相同模型、相同提示、相同搜索顺序和相同风险偏好，它们很可能产生相关错误。表面上有六十票，实际上只是同一个判断被复制了六十次。真正的多样性可以来自不同模型、不同工具、不同数据源、不同角色约束，甚至刻意安排一个 Agent 只负责反对主流结论。

这也是为什么验证者不能只是“再问一次同样的问题”。有效验证要换一个认识路径：代码结果用测试和运行状态验证，数学结论用形式化证明或独立推导验证，研究结论用来源与反例验证，商业判断则要回到真实数据和可观察结果。

4 -> 并发扩大了搜索，也制造了审核债务

多智能体系统最直观的成本是模型调用量，但实际项目里，更贵的往往是协调和验收。

当十个 Agent 同时返回结果时，十倍产能并不会自动出现，审核队列反而会突然变长。如果结果格式不一致、证据没有保留、失败分支也没有说明，负责人只能从头阅读。执行获得了并行能力，判断却仍然只有一条通道。

因此，衡量多智能体不能只统计完成了多少子任务。更有辨识度的指标是“有效分支率”：有多少分支带来了主线没有的新证据，有多少只是重复已有路线，又有多少因为交接不清而无法复用。再把协调消息量、人工审核时长和最终周期放在旁边，才能判断并发是在拓宽搜索，还是仅仅提前制造了一批待处理材料。

在漏洞研究案例里，2700 万 Token 换来 266 个发现，可能非常划算，因为每个有效发现都具有明确价值，而且可以通过复现验证。但如果任务只是起草一封普通邮件，同样的协作架构就显得荒唐。多智能体适合搜索空间大、分支相对独立、成功标准明确、单个有效发现价值较高的任务。它不适合目标模糊、结果无法验证、最终仍需人逐项判断的工作。

可以先用一张简单的选择表判断是否值得增加 Agent。这里的关键不是任务“看起来复杂”，而是增加分支后能否产生独立证据。

如果一项任务连单 Agent 的成功标准都写不清，增加协调层不会替团队补上这个缺口。相反，先跑出单 Agent 基线，再看并行分支是否带来独特发现，是更可靠的扩展顺序。

5 -> 当 Agent 开始形成一个社会

多智能体带来的风险并不只是“某个 Agent 犯错”。当多个 Agent 共享环境、资源和目标时，局部合理行为可能叠加成全局问题。

最常见的是相关性失败。所有 Agent 都被相同训练偏差影响，于是整个系统对某种异常同时失明。其次是资源竞争：每个 Agent 都认为自己的分支值得继续，最终把预算、API 配额或计算资源耗尽。再往前一步，是目标冲突。一个 Agent 被要求尽快修复系统，另一个被要求保持稳定，双方可能不断撤销对方的改动；如果它们还能修改彼此依赖的文件、凭据或运行环境，冲突就可能升级。

Anthropic 的研究提出了一个值得重视的判断：未来 Agent 与 Agent 的交互量，可能在社会还没理解其规则之前，就超过人类与 Agent 的交互量。今天的组织制度默认参与者能够被追责、理解承诺、遵守身份边界，并以人类速度行动。Agent 却可以在几秒内创建大量交互，同时复制自身策略。身份、授权、资源配额、争议处理和审计方式，都需要重新设计。

这并不意味着多智能体天然危险，而是不能再用“多个 API 调用”来理解它。只要 Agent 能长期存在、拥有不同目标并影响共同环境，它们就已经具备了某种社会系统的特征。工程设计必须考虑系统行为，而不只检查单个模型回答是否安全。

6 -> 一套更现实的多智能体架构

对大多数团队来说，第一步不该是建设一个自由协商的 Agent 群，而是采用有层级、有预算、有证据的简单架构。

最上层由人定义目标、成功标准和不可触碰的边界。协调 Agent 只负责拆分任务、分配预算和收集中间状态，不直接假装自己掌握所有专业判断。执行 Agent 在隔离环境中工作，只能写入自己的暂存区。验证 Agent 使用不同方法检查产物，并把“不确定”作为合法结果。最后由一个收敛层去重、比较和形成候选结论，高风险动作仍然停在人类确认之前。

这个结构首先要写清停止条件。每个分支都应该知道什么时候继续投入没有意义：连续几轮没有新增证据、预算达到上限、验证无法通过、任务已经被其他分支覆盖，或者结果需要新的人工前提。没有停止条件的 Agent 群，很容易把持续运行误当成持续进步。

实际落地时，可以先从三个角色开始：两个独立执行者和一个验证者。只有当数据证明并行探索确实增加独特结果，再逐步增加角色和协调层。复杂度必须由收益证明，而不是由“多智能体”这个标签证明。

这套系统的门槛最终落在组织能力上。

多智能体系统带来的变化，不只是把一个任务交给更多模型。它迫使团队把过去隐含在人脑里的东西写清楚：任务如何拆分，证据如何传递，失败如何记录，谁有权做什么，以及什么才算完成。

如果这些问题没有答案，Agent 越多，混乱只会越快。如果这些基础被设计好，多智能体才可能把搜索、实验和验证并行化，让团队触及过去因为时间太贵而放弃的问题。

所以，六十个 Agent 的案例值得学习的是背后的组织方式。数量可以按预算增加，清楚的任务契约、异质验证和停止规则却不能靠堆算力补齐。能把一群不完全可靠、速度极快的数字执行者组织成可验证成果，才是这类系统的长期门槛。

感谢各位大佬支持！！！

互三啦！！！