原文链接： https://www.anthropic.com/engineering/multi-agent-research-system

我们如何构建multi-agent  research系统

multi-agent架构的优势

研究系统的架构概述

1. 用户发送查询请求；
2. 系统创建核心研究智能体；
3. 核心智能体启动迭代式研究流程：
   • 思考（制定研究方案）并将方案存入记忆模块；
   • 调取上下文信息，为 “方面 A”“方面 B” 分别创建子智能体；
4. 子智能体各自执行网页搜索，思考（评估结果）后完成任务并反馈；
5. 核心智能体整合结果，判断是否需要进一步研究：
   • 无需继续：退出循环，生成研究结果；
   • 需要继续：重复上述流程（创建新子智能体或优化策略）；
6. 引用智能体处理文档和研究报告，定位需添加引用的位置，生成带引用的报告；
7. 系统持久化存储结果，并向用户返回含引用的研究结论。

研究智能体的提示词工程与评估

• 换位思考，理解智能体逻辑：要优化提示词，必须先理解其对智能体行为的影响。为此，我们利用控制台（Console）搭建了仿真环境，使用与系统完全一致的提示词和工具，逐步观察智能体的运作过程。这一方法直接暴露了多种失效模式：例如智能体已获取足够结果仍继续搜索、使用过于冗长的搜索查询、选择错误工具等。有效的提示词设计依赖于对智能体形成准确的 “心智模型”，这能让关键优化方向变得清晰。
• 教会协调者如何委派任务：在我们的系统中，核心智能体需将查询拆解为子任务，并向子智能体清晰描述。每个子智能体都需要明确的目标、输出格式、工具 / 信息源使用指南，以及清晰的任务边界。若任务描述模糊，子智能体可能重复工作、遗漏关键信息，或无法找到必要内容。早期，我们允许核心智能体给出简单指令（如 “研究半导体短缺问题”），但发现这类指令过于模糊，导致子智能体误解任务，或与其他子智能体重复搜索。例如，一个子智能体研究 2021 年汽车芯片危机，另外两个则重复调查 2025 年当前供应链情况，完全没有实现有效的任务分工。
• 根据查询复杂度匹配投入力度：智能体难以判断不同任务所需的合理投入，因此我们在提示词中嵌入了 “规模规则”：简单事实查询仅需 1 个智能体，搭配 3-10 次工具调用；直接对比类任务可能需要 2-4 个子智能体，每个子智能体调用 10-15 次工具；复杂研究任务则可能需要 10 个以上子智能体，并明确划分职责。这些明确准则帮助核心智能体高效分配资源，避免在简单查询上过度投入 —— 这是早期版本中常见的失效问题。
• 工具设计与选择至关重要：智能体与工具的交互接口，其重要性不亚于人机交互接口。使用合适的工具不仅高效，往往更是完成任务的必要前提。例如，若某个信息仅存在于 Slack 中，而智能体却在网页上搜索，从一开始就注定失败。由于 MCP 服务器（为模型提供外部工具访问权限）的存在，这一问题会进一步加剧：智能体可能遇到各类工具，且工具描述的质量参差不齐。为此，我们为智能体提供了明确的启发式规则：例如先检查所有可用工具、根据用户意图匹配工具、通过网页搜索进行广泛外部探索、优先使用专业工具而非通用工具等。糟糕的工具描述会让智能体误入歧途，因此每个工具都需要明确的用途和清晰的说明。
• 让智能体自我优化：我们发现，Claude 4 系列模型具备出色的提示词优化能力。当提供提示词和失效案例时，模型能诊断智能体失效的原因并提出改进建议。我们甚至开发了一个 “工具测试智能体”：给定一个设计有缺陷的 MCP 工具，它会尝试使用该工具，然后重写工具描述以避免失效。通过数十次测试，该智能体能发现工具的关键细节问题和漏洞。这种优化工具易用性的方法，使后续使用新描述的智能体的任务完成时间缩短了 40%—— 因为它们能规避大多数错误。
• 先广度探索，再聚焦细节：搜索策略应模仿人类专家的研究方式：先了解整体情况，再深入具体细节。智能体通常会默认使用过长、过具体的查询，导致结果寥寥。为应对这一倾向，我们通过提示词引导智能体：先使用简短、宽泛的查询，评估可用信息后，再逐步缩小搜索范围。
• 引导智能体的思考过程：“扩展思考模式” 能让 Claude 输出更多可见的思考过程令牌，相当于一个可控的 “草稿本”。核心智能体利用这一模式规划研究方案：评估哪些工具适合任务、判断查询复杂度和子智能体数量、定义每个子智能体的角色。测试表明，扩展思考模式能提升智能体的指令遵循度、推理能力和效率。子智能体也会先规划，再在获取工具结果后通过 “交错思考” 评估结果质量、识别信息缺口、优化下一次查询 —— 这让子智能体在应对各类任务时更具适应性。
• 并行工具调用大幅提升速度与性能：复杂研究任务天然需要探索多个信息源。早期智能体采用串行搜索，速度极慢。为提升速度，我们引入了两种并行机制：（1）核心智能体并行启动 3-5 个子智能体，而非串行启动；（2）子智能体并行使用 3 个以上工具。这些改进使复杂查询的研究时间缩短了高达 90%，让研究功能能在几分钟内完成原本需要数小时的工作，同时覆盖比其他系统更多的信息。

智能体的有效评估方法

• 从少量样本开始，立即启动评估：在智能体开发早期，由于存在大量 “低垂的果实”（易优化的问题），任何调整都可能带来显著影响 —— 例如一个提示词修改可能将成功率从 30% 提升至 80%。这种大幅效果差异意味着，仅通过少量测试用例就能发现变化。我们最初选取了约 20 个模拟真实使用场景的查询，测试这些查询通常能清晰反映调整的效果。我们常听到 AI 开发团队推迟评估，因为他们认为只有包含数百个测试用例的 “大规模评估” 才有用。但实际上，最好从少量示例开始即时进行小规模测试，而非等到能构建更全面的评估体系再行动。
• LLM 作为评估者（LLM-as-judge）：合理使用可实现规模化评估：研究输出难以通过编程方式评估 —— 因其是自由文本，且很少存在唯一正确答案。LLM 天然适合这类评估任务。我们使用 LLM 评估者，根据评分标准对每个输出进行评估，标准包括：事实准确性（主张是否与信息源一致？）、引用准确性（引用的信息源是否支撑主张？）、完整性（是否覆盖所有要求的方面？）、信息源质量（是否优先使用一手源而非低质量二手源？）、工具效率（是否使用正确工具，且调用次数合理？）。我们曾尝试用多个评估者分别评估各个维度，但发现 “单次 LLM 调用 + 单个提示词” 的方式最稳定，且与人类判断一致性最高 —— 该方式输出 0.0-1.0 的分数及 “通过 / 失败” 评级。当评估用例存在明确答案时（如 “准确列出研发预算前三的制药公司”），这种方法尤为有效，可直接让 LLM 评估者验证答案正确性。借助 LLM 作为评估者，我们得以规模化评估数百个输出结果。
• 人类评估：捕捉自动化评估遗漏的问题：人类测试者能发现评估用例未覆盖的边缘场景，例如特殊查询下的幻觉答案、系统故障、或细微的信息源选择偏差。在我们的开发中，人类测试者发现早期智能体总是优先选择 “SEO 优化内容农场”，而非学术 PDF 或个人博客等权威性更高但排名较低的信息源。随后，我们在提示词中添加了 “信息源质量启发式规则”，解决了这一问题。即便在自动化评估普及的今天，人工测试依然不可或缺。

生产环境可靠性与工程挑战

• 智能体具有状态性，错误会累积放大：智能体可长期运行，并在多次工具调用中维持状态。这意味着我们需要确保代码能稳定执行，并处理过程中的错误。若缺乏有效缓解措施，微小的系统故障可能对智能体造成灾难性影响。错误发生时，我们不能简单地从头重启（重启成本高且会让用户不满），因此我们构建了 “断点续跑” 系统 —— 能从智能体出错的位置恢复运行。同时，我们利用模型的智能来优雅处理问题：例如，告知智能体某个工具出现故障，让其自主调整策略，这种方法效果显著。我们将基于 Claude 构建的 AI 智能体的 “适应性”，与 “重试逻辑”“定期检查点” 等确定性保障措施相结合，提升系统稳定性。
• 调试需要新方法：即使使用相同的提示词，智能体的决策也具有动态性和非确定性，这增加了调试难度。例如，用户报告 “智能体找不到明显存在的信息”，但我们无法直接判断原因：是搜索查询不佳？信息源选择错误？还是工具调用失败？为此，我们添加了 “全生产链路追踪” 功能，能系统性诊断智能体失效原因并修复问题。除标准可观测性工具外，我们还监控智能体的决策模式和交互结构 —— 同时严格不监控单个对话内容，以保护用户隐私。这种高层级的可观测性帮助我们定位根本原因、发现意外行为、修复常见故障。
• 部署需要精细协调：智能体系统是由提示词、工具和执行逻辑构成的高度有状态网络，且几乎持续运行。这意味着每当我们部署更新时，智能体可能正处于运行流程的任意阶段。因此，我们必须避免 “善意的代码修改” 破坏正在运行的智能体，且不能将所有智能体同时升级到新版本。为此，我们采用 “彩虹部署（Rainbow Deployment）” 策略：让新旧版本同时运行，逐步将流量从旧版本切换到新版本，从而避免干扰正在运行的智能体。
• 同步执行存在瓶颈：目前，我们的核心智能体采用 “同步执行” 方式调用子智能体 —— 需等待一组子智能体全部完成任务后才能继续。这种方式简化了协同，但造成了智能体间信息流动的瓶颈：例如，核心智能体无法实时引导子智能体、子智能体间无法协同、整个系统可能因等待某个子智能体完成搜索而陷入停滞。“异步执行” 可进一步提升并行性：智能体可并发工作，并在需要时创建新子智能体。但异步性也带来了新挑战，如结果协同、状态一致性、子智能体间的错误传播等。随着模型能处理更长、更复杂的研究任务，我们认为异步执行带来的性能提升将足以抵消其复杂度增加的成本。

结语

补充说明

• 跨专业领域开发软件系统（10%）
• 开发和优化专业技术内容（8%）
• 制定业务增长与营收策略（8%）
• 辅助学术研究与教学材料开发（7%）
• 研究和验证个人、地点或组织相关信息（5%）

致谢

附录：多智能体系统的额外实用建议

• 对 “多轮状态变化智能体” 的终态评估：评估 “在多轮对话中修改持久化状态” 的智能体存在独特挑战。与 “只读” 研究任务不同，这类智能体的每个操作都会改变后续步骤的环境，形成传统评估方法难以处理的依赖关系。我们的解决方案是 “聚焦终态评估”，而非逐轮分析：不判断智能体是否遵循特定流程，而是评估其是否达成正确的最终状态。这种方法承认智能体可能通过不同路径实现同一目标，同时确保输出符合预期结果。对于复杂流程，可将评估拆解为多个 “离散检查点”—— 验证特定阶段是否发生了预期的状态变化，而非试图验证每一个中间步骤。
• 长周期对话管理：生产环境中的智能体常需进行数百轮对话，因此需要精心设计上下文管理策略。随着对话延长，标准上下文窗口会不足，需借助智能压缩和记忆机制。我们采用的方案是：智能体在完成每个工作阶段后，总结关键信息并存储到外部记忆中，再开始新任务；当接近上下文窗口上限时，智能体可创建新的子智能体（具备干净的上下文），同时通过细致的 “任务交接” 维持连贯性；此外，智能体可从记忆中调取研究计划等存储的上下文，避免因达到上下文限制而丢失前期工作。这种分布式方法既能防止上下文溢出，又能在长对话中保持连贯性。
• 子智能体输出至文件系统，减少 “信息传递误差”：对于特定类型的结果，子智能体可直接输出，绕过主协调者，从而提升准确性和性能。无需让子智能体通过核心智能体传递所有信息，而是构建 “成果系统”：专业子智能体创建的输出可独立持久化存储。具体而言，子智能体调用工具将成果存储到外部系统，再向协调者传递轻量化的引用链接。这种方式可防止多阶段处理中的信息丢失，同时减少 “将大量输出复制到对话历史” 带来的令牌开销。该模式尤其适用于代码、报告、数据可视化等结构化输出 —— 子智能体的专业提示词能生成比 “经通用协调者过滤” 更优的结果。