Anthropic 详解 Claude 多智能体研究系统的架构与工程经验

Claude 现在具备研究能力，可以跨网络、Google Workspace 以及任何集成进行搜索，以完成复杂任务。

这个多智能体系统从原型到生产的过程，让我们在系统架构、工具设计和提示词工程方面学到了关键经验。多智能体系统由多个智能体（LLM 在循环中自主使用工具）协同工作组成。我们的研究功能涉及一个智能体，它根据用户查询规划研究过程，然后使用工具创建并行智能体，同时搜索信息。多智能体系统在智能体协调、评估和可靠性方面带来了新的挑战。

本文拆解了对我们有效的原则——希望你在构建自己的多智能体系统时能发现它们有用。

多智能体系统的优势

研究工作涉及开放式问题，很难预先预测所需步骤。你无法为探索复杂主题硬编码一条固定路径，因为该过程本质上是动态且路径依赖的。人们开展研究时，往往会根据发现不断更新方法，沿着调查过程中出现的线索前进。

这种不可预测性使 AI 智能体特别适合研究任务。研究要求具备随着调查展开而转向或探索旁支联系的灵活性。模型必须自主运行多轮，根据中间发现决定追求哪些方向。线性的、一次性的流水线无法处理这些任务。

搜索的本质是压缩：从海量语料中提炼洞见。子智能体通过在自己的上下文窗口中并行运行来促进压缩，同时探索问题的不同方面，然后为主研究智能体浓缩最重要的 token。每个子智能体还提供关注点分离——不同的工具、提示词和探索轨迹——这减少了路径依赖，并支持彻底、独立的调查。

一旦智能达到阈值，多智能体系统就成为扩展性能的重要方式。例如，尽管个体人类在过去 10 万年中变得更聪明，但在信息时代，由于我们的集体智能和协调能力，人类社会的能力已指数级提升。即使是通用智能体，作为个体运行时也面临限制；智能体群体可以完成更多任务。

我们的内部评估显示，多智能体研究系统尤其擅长涉及同时追求多个独立方向的广度优先查询。我们发现，在以 Claude Opus 4 作为主智能体、Claude Sonnet 4 作为子智能体的多智能体系统，在我们的内部研究评估中比单智能体 Claude Opus 4 高出 90.2%。例如，当被要求找出信息技术板块 S&P 500 公司的所有董事会成员时，多智能体系统通过将其分解为子智能体的任务找到了正确答案，而单智能体系统则因缓慢的顺序搜索未能找到答案。

多智能体系统之所以有效，主要是因为它们有助于消耗足够的 token 来解决问题。在我们的分析中，三个因素解释了 BrowseComp 评估（该评估测试浏览智能体定位难以找到的信息的能力）中 95% 的性能差异。我们发现，仅 token 使用量本身就解释了 80% 的差异，工具调用次数和模型选择是另外两个解释因素。这一发现验证了我们的架构：将工作分配到具有独立上下文窗口的多个智能体上，以增加并行推理的能力。最新的 Claude 模型在 token 使用上充当了巨大的效率倍增器，因为升级到 Claude Sonnet 4 带来的性能提升，比在 Claude Sonnet 3.7 上将 token 预算翻倍还要大。多智能体架构能有效扩展 token 使用量，以应对超出单个智能体能力上限的任务。

这也有一个缺点：在实践中，这类架构会快速消耗 token。在我们的数据中，智能体通常使用的 token 约为聊天交互的 4 倍，而多智能体系统使用的 token 约为聊天的 15 倍。从经济可行性来看，多智能体系统要求任务的价值足够高，以支付性能提升带来的成本。此外，一些需要所有智能体共享同一上下文、或涉及智能体之间大量依赖关系的领域，目前并不适合多智能体系统。例如，与研究工作相比，大多数编程任务中真正可并行的任务更少，而且 LLM 智能体目前还不擅长实时协调和委派给其他智能体。我们发现，多智能体系统擅长处理涉及大量并行化、信息量超出单个上下文窗口、以及与众多复杂工具交互的高价值任务。

Research 架构概览

我们的 Research 系统采用编排者-工作者模式的多智能体架构，由主智能体协调流程，同时委派给并行运行的专门子智能体。

当用户提交查询时，主智能体对其进行分析、制定策略，并生成子智能体来同时探索不同方面。如上图所示，子智能体充当智能过滤器，通过迭代使用搜索工具来收集信息（在此例中为 2025 年的 AI 智能体公司），然后将公司列表返回给主智能体，以便其汇总出最终答案。

使用检索增强生成（RAG）的传统方法采用静态检索。也就是说，它们获取与输入查询最相似的一组文本块，并使用这些文本块来生成回复。相比之下，我们的架构采用多步搜索，动态查找相关信息、适应新发现，并分析结果以形成高质量答案。

研究智能体的提示工程与评估

多智能体系统与单智能体系统存在关键差异，包括协调复杂度的快速增长。早期智能体会犯下诸如为简单查询生成 50 个子智能体、为不存在的来源无休止地搜索网络，以及用过多更新互相干扰等错误。由于每个智能体都由提示驱动，提示工程是我们改善这些行为的主要手段。以下是我们总结的一些提示智能体的原则：

1. 像你的智能体一样思考。要迭代提示，你必须理解其效果。为帮助我们做到这一点，我们使用 Console 构建了模拟，采用我们系统中的确切提示和工具，然后观察智能体逐步工作。这立即揭示了失败模式：智能体在已有足够结果时仍继续工作、使用过于冗长的搜索查询，或选择错误的工具。有效的提示工程依赖于对智能体建立准确的心智模型，这能让最具影响力的改动变得显而易见。
2. 教会编排者如何委派。在我们的系统中，主智能体将查询分解为子任务，并向子智能体描述这些任务。每个子智能体都需要一个目标、一种输出格式、关于使用哪些工具和来源的指导，以及清晰的任务边界。没有详细的任务描述，智能体会重复工作、留下空白，或无法找到必要信息。我们最初允许主智能体给出简单、简短的指令，例如“研究半导体短缺”，但发现这些指令往往过于模糊，导致子智能体误解任务或执行与其他智能体完全相同的搜索。例如，一个子智能体探索了 2021 年汽车芯片危机，而另外 2 个则重复工作，调查当前的 2025 年供应链，缺乏有效的分工。
3. 根据查询复杂度调整投入力度。智能体难以判断不同任务所需的适当投入，因此我们在提示词中嵌入了扩展规则。简单的事实查找只需 1 个智能体、3-10 次工具调用；直接比较可能需要 2-4 个子智能体，每个调用 10-15 次；复杂研究则可能使用 10 个以上子智能体，并明确划分职责。这些明确的准则帮助主智能体高效分配资源，防止在简单查询上过度投入——这是我们早期版本中常见的失败模式。
4. 工具的设计与选择至关重要。智能体与工具的接口，其重要性不亚于人机界面。使用正确的工具是高效的——通常，它是绝对必要的。例如，一个智能体去网上搜索只存在于 Slack 中的上下文，从一开始就注定失败。借助让模型访问外部工具的 MCP 服务器，这个问题会进一步加剧，因为智能体会遇到未见过的工具，其描述质量参差不齐。我们给智能体设定了明确的启发式规则：例如，先检查所有可用工具，将工具使用与用户意图匹配，通过网页搜索进行广泛的外部探索，或优先选择专用工具而非通用工具。糟糕的工具描述会让智能体走上完全错误的方向，因此每个工具都需要有明确且独特的用途和清晰的描述。
5. 让智能体自我改进。我们发现 Claude 4 模型可以成为出色的提示词工程师。当给定一个提示词和一种失败模式时，它们能够诊断智能体失败的原因并提出改进建议。我们甚至创建了一个工具测试智能体——当给定一个有缺陷的 MCP 工具时，它会尝试使用该工具，然后重写工具描述以避免失败。通过数十次测试该工具，这个智能体发现了关键的细微差别和缺陷。这一改善工具易用性的流程，使未来使用新描述的智能体任务完成时间减少了 40%，因为它们能够避免大多数错误。
6. 先广后窄。搜索策略应模仿专家的人类研究方式：先探索整体格局，再深入具体细节。智能体往往默认使用过长、过于具体的查询，导致返回结果很少。我们通过提示智能体从简短、宽泛的查询开始，评估可用信息，然后逐步收窄焦点，来抵消这一倾向。
7. 引导思考过程。扩展思考模式会让 Claude 在可见的思考过程中输出额外的 token，可作为可控的草稿本。主智能体利用思考来规划其方法，评估哪些工具适合任务，确定查询复杂度和子智能体数量，并定义每个子智能体的角色。我们的测试表明，扩展思考改善了指令遵循、推理和效率。子智能体也会先规划，然后在工具结果之后使用交错思考来评估质量、识别差距并优化下一次查询。这使子智能体在适应任何任务时都更加高效。
8. 并行工具调用可显著提升速度与性能。复杂的研究任务自然会涉及探索大量来源。我们早期的智能体执行串行搜索，速度慢得令人痛苦。为了提速，我们引入了两种并行化方式：(1) 主智能体并行启动 3-5 个子智能体，而非串行执行；(2) 子智能体并行使用 3 个以上工具。这些改动将复杂查询的研究时间最多缩短了 90%，使 Research 能在几分钟而非几小时内完成更多工作，同时覆盖的信息量超过其他系统。

我们的提示策略侧重于灌输良好的启发式方法，而非僵化的规则。我们研究了熟练的人类如何开展研究任务，并将这些策略编码进我们的提示中——例如将难题分解为更小的任务、仔细评估来源质量、根据新信息调整搜索方法，以及识别何时应侧重于深度（详细调查一个主题）与广度（并行探索多个主题）。我们还主动缓解意外副作用，设置明确的护栏以防止智能体失控。最后，我们专注于带有可观测性和测试用例的快速迭代循环。

智能体的有效评估

良好的评估对于构建可靠的 AI 应用至关重要，智能体也不例外。然而，评估多智能体系统带来了独特的挑战。传统评估通常假设 AI 每次都遵循相同的步骤：给定输入 X，系统应遵循路径 Y 以产生输出 Z。但多智能体系统并非如此运作。即使起点相同，智能体也可能采取完全不同的有效路径来达成目标。一个智能体可能搜索三个来源，而另一个搜索十个，或者它们可能使用不同的工具来找到相同的答案。由于我们并不总是知道正确的步骤是什么，我们通常无法仅检查智能体是否遵循了我们预先规定的“正确”步骤。相反，我们需要灵活的评估方法，判断智能体是否在遵循合理过程的同时达成了正确的结果。

立即用小样本开始评估。在智能体开发的早期，改动往往会产生巨大影响，因为存在大量唾手可得的成果。一次提示微调可能将成功率从 30% 提升到 80%。在效应量如此之大的情况下，仅用几个测试用例就能发现变化。我们从一组约 20 个代表真实使用模式的查询开始。测试这些查询通常能让我们清楚地看到改动的影响。我们经常听说 AI 开发者团队推迟创建评估，因为他们认为只有包含数百个测试用例的大型评估才有用。然而，最好立即用几个示例开始小规模测试，而不是等到能够构建更全面的评估时才动手。

LLM-as-judge 评估在方法得当时可以规模化。研究输出难以通过程序化方式评估，因为它们是自由形式的文本，且很少有唯一正确答案。LLM 天然适合为输出评分。我们使用了一个 LLM 评审，依据评分标准中的各项准则来评估每个输出：事实准确性（陈述是否与来源相符？）、引用准确性（引用的来源是否与陈述相符？）、完整性（是否覆盖了所有要求方面？）、来源质量（是否优先使用一手来源而非质量较低的二手来源？）以及工具效率（是否以合理的次数使用了正确的工具？）。我们尝试了多个评审来评估每个组成部分，但发现使用单个提示、单次 LLM 调用输出 0.0-1.0 的分数和通过-不通过评级，是最一致且与人类判断最吻合的方式。当评估测试用例确实有明确答案时，这种方法尤其有效，我们可以用 LLM 评审简单地检查答案是否正确（即，它是否准确列出了研发预算排名前三的制药公司？）。使用 LLM 作为评审使我们能够可扩展地评估数百个输出。

人工评估能捕捉自动化遗漏的问题。测试智能体的人员会发现评估遗漏的边缘情况。这些包括对不寻常查询的幻觉答案、系统故障或微妙的来源选择偏差。在我们的案例中，人工测试人员注意到，我们早期的智能体总是选择 SEO 优化的内容农场，而不是权威但排名较低的来源，如学术 PDF 或个人博客。在提示中添加来源质量启发式规则有助于解决这个问题。即使在自动化评估的世界中，手动测试仍然必不可少。

多智能体系统具有涌现行为，这些行为并非由特定编程产生。例如，对主智能体的小改动可能会不可预测地改变子智能体的行为方式。成功需要理解交互模式，而不仅仅是个体智能体的行为。因此，这些智能体的最佳提示不仅仅是严格的指令，而是协作框架，用于定义分工、问题解决方法和工作量预算。做好这一点依赖于精心的提示和工具设计、可靠的启发式规则、可观测性以及紧密的反馈循环。 请参阅我们 Cookbook 中的开源提示，了解我们系统中的示例提示。

生产可靠性与工程挑战

在传统软件中，一个缺陷可能会破坏某个功能、降低性能或导致停机。在智能体系统中，微小的变化会级联成巨大的行为变化，这使得为必须在长时间运行的进程中维护状态的复杂智能体编写代码变得异常困难。

智能体是有状态的，错误会累积。智能体可以长时间运行，在多次工具调用之间保持状态。这意味着我们需要持久地执行代码，并在过程中处理错误。如果没有有效的缓解措施，微小的系统故障对智能体来说可能是灾难性的。当错误发生时，我们不能只是从头重新开始：重启代价高昂，也会让用户感到沮丧。因此，我们构建了能够在错误发生时从智能体所处位置恢复的系统。我们还利用模型的智能来优雅地处理问题：例如，让智能体知道某个工具正在失败，并让它自行调整，效果出奇地好。我们将基于 Claude 构建的 AI 智能体的适应能力与重试逻辑、定期检查点等确定性保障措施相结合。

调试需要新方法。智能体会做出动态决策，即使在提示完全相同的情况下，不同运行之间也具有非确定性。这使调试变得更加困难。例如，用户会报告智能体“找不到明显的信息”，但我们无法看出原因。是智能体使用了糟糕的搜索查询？选择了劣质来源？还是遇到了工具故障？加入完整的生产环境追踪让我们能够诊断智能体失败的原因，并系统地修复问题。除了标准的可观测性之外，我们还监控智能体的决策模式和交互结构——所有这些都不监控单个对话的内容，以维护用户隐私。这种高层次的观测能力帮助我们诊断根本原因、发现意外行为并修复常见故障。

部署需要仔细协调。智能体系统是由提示、工具和执行逻辑构成的高度有状态的网络，几乎持续不断地运行。这意味着每当我们部署更新时，智能体可能正处于其流程中的任何位置。因此，我们需要防止善意的代码更改破坏现有的智能体。我们无法同时将每个智能体更新到新版本。相反，我们使用彩虹部署，通过逐步将流量从旧版本转移到新版本，同时保持两个版本运行，来避免中断正在运行的智能体。

同步执行会造成瓶颈。目前，我们的主智能体同步执行子智能体，等待每组子智能体完成后再继续。这简化了协调，但在智能体之间的信息流中造成了瓶颈。例如，主智能体无法引导子智能体，子智能体之间无法协调，整个系统可能会在等待单个子智能体完成搜索时被阻塞。异步执行将带来额外的并行性：智能体并发工作，并在需要时创建新的子智能体。但这种异步性在结果协调、状态一致性以及跨子智能体的错误传播方面增加了挑战。随着模型能够处理更长、更复杂的研究任务，我们预计性能提升将足以证明这种复杂性是值得的。

结论

在构建 AI 智能体时，最后一公里往往占据了大部分旅程。在开发者机器上能运行的代码库，要成为可靠的生产系统需要大量工程工作。智能体系统中错误的复合性质意味着，对传统软件而言的小问题可能会让智能体完全偏离正轨。一步失败就可能导致智能体探索完全不同的轨迹，带来不可预测的结果。由于本文所述的种种原因，原型与生产之间的差距往往比预期更大。

尽管存在这些挑战，多智能体系统已被证明对开放式研究任务很有价值。用户表示，Claude 帮助他们发现了未曾考虑过的商业机会、梳理了复杂的医疗保健选项、解决了棘手的技术缺陷，并通过发掘他们独自难以发现的研究关联节省了多达数天的工作量。凭借精心的工程设计、全面的测试、注重细节的提示词与工具设计、稳健的运营实践，以及深入理解当前智能体能力的研究、产品和工程团队之间的紧密协作，多智能体研究系统可以在规模化下可靠运行。我们已经看到这些系统正在改变人们解决复杂问题的方式。

附录

以下是一些关于多智能体系统的其他杂项建议。

对在多轮交互中改变状态的智能体进行终态评估。评估在多轮对话中修改持久状态的智能体带来了独特的挑战。与只读的研究任务不同，每个动作都可能改变后续步骤的环境，造成传统评估方法难以处理的依赖关系。我们发现，专注于终态评估而非逐轮分析是行之有效的做法。与其判断智能体是否遵循了特定流程，不如评估它是否达到了正确的最终状态。这种方法承认智能体可能会找到通往同一目标的替代路径，同时仍确保它们交付预期结果。对于复杂的工作流，应将评估拆分为离散的检查点，即特定状态变更本应发生的位置，而不是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常参与跨越数百轮的对话，需要谨慎的上下文管理策略。随着对话延长，标准上下文窗口变得不足，需要智能压缩和记忆机制。我们实现了一些模式：智能体在进入新任务之前，先总结已完成的工作阶段，并将关键信息存入外部记忆。当接近上下文上限时，智能体可以生成具有干净上下文的新子智能体，同时通过谨慎的交接保持连续性。此外，它们可以从记忆中检索已存储的上下文（如研究计划），而不是在达到上下文上限时丢失先前的工作。这种分布式方法可防止上下文溢出，同时在扩展交互中保持对话连贯性。

将子智能体输出写入文件系统，以尽量减少“传话游戏”。对于某些类型的结果，子智能体的直接输出可以绕过主协调器，从而提高保真度和性能。与其要求子智能体通过主智能体传达一切，不如实现工件系统，让专用智能体能够创建独立持久化的输出。子智能体调用工具将其工作存储到外部系统，然后将轻量级引用传回协调器。这可以防止多阶段处理过程中的信息丢失，并减少因将大型输出复制到对话历史中而产生的 token 开销。该模式尤其适用于代码、报告或数据可视化等结构化输出，因为子智能体的专用提示词所产生的结果优于经由通用协调器过滤后的结果。