这是什么
多 Agent(能调用工具、分担任务并相互协作的 AI 程序)协作最常见的问题,不是模型不够聪明,而是信息在流程中被反复转述、上下文污染,或任务进入无人察觉的循环。文章给出的例子是:需求分析、写代码和代码审查三个 Agent 经过 8 轮来回后仍在重复动作,Token 消耗增至约 3 倍。
其解决思路并不依赖更大的模型:Agent 之间传递结构化产物的引用,而不是复制自然语言摘要;每个 Agent 只读取自己的任务和必要上游材料;主管 Agent 同时设置调用步数、费用预算和重复动作三类限制。文中还提供了一套 120 行、无需外部接口的演示代码,可作为后续接入真实模型的工程骨架。
行业怎么看
我们认为,这篇文章真正有价值的地方,是把多 Agent 从“模型能力竞赛”拉回到“工作流工程”。随着模型调用越来越便宜,企业更容易增加 Agent 数量;但数量并不能自动带来可靠性,产物可追溯、上下文隔离和成本控制才是规模化部署的前提。文中还援引 LangGraph 团队的数据:同一主管架构经过优化后,表现较初版高约 50%,差距主要来自信息传递方式。
不过,这一方案更像开发规范与最小骨架,还不能直接等同于生产可用系统。文章主要使用确定性的“假模型”演示流程,没有充分处理并发写入、权限控制、产物版本冲突、跨服务追踪,以及真实模型输出格式不稳定等问题。反对或保留意见也很明确:多 Agent 架构并非越复杂越好。对流程短、风险低、结果容易复核的任务,单个 Agent 配合少量工具调用,通常成本更低、故障面也更小。
对普通人的影响
对企业 IT:过去分散在多个 AI 功能里的需求记录、代码与审核意见,正在形成可追溯的协作链路。企业采购 AI 项目时,需要把日志、权限、费用上限和失败告警纳入验收,而不只比较模型回答质量。
对个人职场:这类架构会先改变软件、运营和咨询团队的任务拆分方式。具备业务流程设计、结果校验和跨工具协作能力的人,可能比只会写提示词的人更能稳定交付成果。
对消费市场:当 AI 产品能够持续完成多步骤任务,客服、购物、旅行规划等服务会更连贯,但错误也可能被自动执行而非等待人工发现。消费者将更看重过程记录、撤回能力,以及服务商是否明确区分“完成”与“部分成功”。