最近關(guān)于 AI 大模型應(yīng)用落地到底選用單智能體架構(gòu)還是多智能體架構(gòu)？業(yè)界爭論很多，特別是 Anthropic 公司和 Devin 公司分別主張和使用了不同的智能體架構(gòu)設(shè)計路線，Anthropic 公司認為多智能體架構(gòu)才是 AI 大模型應(yīng)用擴展性能的關(guān)鍵，詳見《??性能提升90%，Anthropic 首次公開多智能體架構(gòu)構(gòu)建全流程????》，而 Devin 公司認為：“Don't Build Multi-Agents.”，并直接批評 OpenAI 和微軟的開發(fā)框架 Sarm 和 AutoGen 方向搞錯了，詳見《???不要再構(gòu)建多 AI 智能體架構(gòu)系統(tǒng)???》。

那么此刻要不要選用多智能體架構(gòu)？我的觀點是此刻并不需要，因為智能體架構(gòu)發(fā)展階段不同，參考云原生架構(gòu)的發(fā)展，最初是單體架構(gòu)，后面演進到微服務(wù)架構(gòu)，目前 AI 原生落地是單智能體架構(gòu)階段，后續(xù)會發(fā)展到多智能體架構(gòu)階段。

下文詳細剖析之。

1、90%性能提升 VS 15倍成本

我們先來對比一下兩家公司公布的數(shù)據(jù)：

Anthropic 的成果：在內(nèi)部研究評估中，他們的多智能體系統(tǒng)表現(xiàn)優(yōu)異，相比單智能體 Claude Opus 4，性能提升了90.2%。

Devin 的反駁：多智能體架構(gòu)存在諸多問題，比如：“極其脆弱”，由于決策分散，系統(tǒng)很容易崩潰。此外，其成本也高得驚人--以單智能體聊天為基準(zhǔn)，多智能體系統(tǒng)的 token 消耗是單智能體的15倍。

舉個例子，單智能體時，你發(fā)送一條“你好”給大模型，可能消耗2個 Tokens；大模型回復(fù)“你好，有什么可以幫助您？”可能消耗15個 Tokens。而在多智能體系統(tǒng)中，多個大模型需要同時工作，并且需要將上下文信息在多智能體之間來回傳遞，這使得成本大幅增加。

那么問題來了：90%的性能提升與15倍的成本消耗，到底誰更有優(yōu)勢？

實際上，雙方的觀點都有道理，只是出發(fā)點不同。

2、多智能體架構(gòu)的優(yōu)勢和缺陷

第一、多智能體架構(gòu)的優(yōu)勢：多智能體就是生產(chǎn)力

Anthropic 的思路非常清晰：單個智能體就像一個人，能力再強也有局限性。但如果讓多個智能體協(xié)同工作，就能突破這種限制。比如，研究“2025年 AI 智能體公司的市場格局”這樣的復(fù)雜問題，單個智能體需要一步步來：先搜索技術(shù)趨勢，再查看市場數(shù)據(jù)，然后分析競爭格局……這樣可能半天都完不成。而多智能體系統(tǒng)則不同，主智能體可以制定策略，同時派遣多個“小弟”：一個負責(zé)搜索技術(shù)信息，一個負責(zé)查看市場數(shù)據(jù)，一個負責(zé)分析競爭對手。它們并行工作，效率自然更高。

Anthropic 的 Research 系統(tǒng)正是基于這種理念設(shè)計的。這個架構(gòu)的核心是“協(xié)調(diào)者-工作者”（Orchestrator-Worker）架構(gòu)模式：主智能體就像項目經(jīng)理，負責(zé)拆解任務(wù)和分配工作；子智能體則像專業(yè)員工，各司其職。這種架構(gòu)的優(yōu)勢不僅在于多個智能體共同思考，更在于突破了上下文窗口的限制。目前最強的模型上下文窗口也只有200萬 Tokens，處理復(fù)雜任務(wù)時往往不夠用，一旦“記憶爆滿”就會出現(xiàn)“失憶”的尷尬。而多智能體系統(tǒng)可以很好地解決這個問題。

圖片

此外，分工的優(yōu)勢還在于將任務(wù)拆分為不同模塊，交給更合適的智能體去完成。在 Anthropic 的系統(tǒng)中，不同的子智能體可以針對不同領(lǐng)域進行優(yōu)化：搜索智能體負責(zé)信息檢索，分析智能體負責(zé)數(shù)據(jù)處理，寫作智能體負責(zé)內(nèi)容生成。

Anthropic 還發(fā)現(xiàn)，智能程度與 Tokens 總用量呈正相關(guān)。在 BrowseComp 評估中，Tokens 使用量能解釋80%的性能差異，即用得越多，效果越好。既然更多 Tokens 能帶來更好效果，那么讓多個智能體并行使用更多 Tokens，自然能獲得更強的能力。

第二、多智能體的致命缺陷：魔鬼細節(jié)

Devin 的態(tài)度非常明確：當(dāng)前的多智能體系統(tǒng)是一個“看起來很美”的陷阱。他們直接指出：“別搞多智能體了，這條路走不通。”

為什么這么說？因為他們發(fā)現(xiàn)了多智能體系統(tǒng)的三個致命問題。

問題一：上下文丟失的災(zāi)難。

Devin 提供的架構(gòu)圖看似合理，但問題在于子智能體之間相互不了解對方的工作內(nèi)容。子智能體1完全不知道子智能體2在做什么，反之亦然。

問題二：隱含決策的沖突。

每個智能體都在獨立執(zhí)行任務(wù)，期間會做出一些“隱含決策”--這些決策沒有明確表達出來，但可能與其他模塊的決策相悖。

問題三：錯誤的復(fù)合放大效應(yīng)。

在單智能體系統(tǒng)中，錯誤的影響是局部的；但在多智能體系統(tǒng)中，一個智能體的錯誤會傳播給其他智能體，形成“錯誤雪球”，越滾越大。

總結(jié)來說，Devin 擔(dān)心的問題除了成本之外，還有信息協(xié)調(diào)的難題。在多智能體系統(tǒng)中，每個智能體都有自己的“認知邊界”和“知識盲區(qū)”，它們各自處理信息片段時，缺乏全局視角的統(tǒng)一協(xié)調(diào)機制。這導(dǎo)致輸出結(jié)果在邏輯層面、時間維度、數(shù)據(jù)標(biāo)準(zhǔn)上出現(xiàn)不可調(diào)和的沖突，最終產(chǎn)生的綜合結(jié)論可能完全偏離預(yù)期目標(biāo)。因此，所謂的多智能體更高效，在信息都無法對齊的情況下，可能根本就是個偽命題。

基于以上問題，Deivn 認為最合適的解決方案還是回歸單線程。這種單線程有兩個特點：

特點1：共享上下文，傳遞完整智能體軌跡。不僅要傳遞結(jié)果，還要傳遞整個思考過程，讓每個智能體都能看到其他智能體的完整決策軌跡，避免信息丟失。

特點2：承認每個行動都包含隱含決策，通過集中控制避免決策沖突。雖然單線程的線性智能體速度慢一些，但至少更可靠。

3、多智能體記憶架構(gòu)設(shè)計

在前面的討論中，我們深入探討了 Anthropic 和 Devin 在架構(gòu)設(shè)計上的爭議，但有一個核心問題始終沒有深入剖析：多智能體系統(tǒng)最大的技術(shù)瓶頸究竟在哪里？答案是記憶問題。

這個記憶問題可以從以下三個方面來理解：

問題一：上下文丟失：不僅是技術(shù)問題，更是架構(gòu)災(zāi)難

上下文丟失的問題遠比表面上看起來的要嚴(yán)重得多。Devin 曾經(jīng)提到過這個問題，但其影響可能超出了我們的想象。假設(shè)你讓一個智能體團隊分析“2025年 AI 投資機會”。當(dāng)三個智能體同時工作時，它們彼此之間看不到對方的推理和決策過程。例如：

• 智能體 A 搜索技術(shù)趨勢，得出結(jié)論認為多模態(tài)是未來的發(fā)展方向；
• 智能體 B 分析市場數(shù)據(jù)，發(fā)現(xiàn)傳統(tǒng) NLP 領(lǐng)域的融資更多；
• 智能體 C 研究競爭格局，認為計算機視覺才是主流。

面對這三個相互矛盾的結(jié)論，主智能體將完全無法進行有效的整合。這種上下文丟失的問題，不僅僅是技術(shù)層面的挑戰(zhàn)，更是架構(gòu)設(shè)計上的災(zāi)難。

問題二：信息孤島與資源浪費

在多智能體系統(tǒng)中，每個智能體只能看到問題的一個片段，就像盲人摸象一樣。這不僅導(dǎo)致了信息孤島的形成，還造成了巨大的資源浪費。為什么多智能體系統(tǒng)的 Tokens 消耗是單智能體的15倍？除了信息傳遞的開銷外，大部分浪費都來自于重復(fù)搜索。每個智能體都在獨立地進行信息檢索，而沒有共享彼此的成果，這無疑增加了系統(tǒng)的負擔(dān)。

問題三：信息整合對齊困難，無法做出決策

當(dāng)智能體 A 假設(shè)關(guān)注 B2B 市場并重點搜索企業(yè)級應(yīng)用，而智能體 B 假設(shè)關(guān)注 C2C 市場并重點分析消費級產(chǎn)品時，它們得出的結(jié)論雖然各自看起來都很專業(yè)，但由于基于不同的假設(shè)，這些結(jié)論根本無法整合，也無法據(jù)此做出最合適的最終決策。這種信息整合對齊的困難，使得多智能體系統(tǒng)在實際應(yīng)用中面臨巨大的挑戰(zhàn)。

解決方案：Milvus 向量數(shù)據(jù)庫作為統(tǒng)一記憶中樞

盡管這些問題客觀存在，但我們是否只能依賴單線程的解決方案呢？其實，我們還可以嘗試一種新的思路：利用 Milvus 向量數(shù)據(jù)庫作為多智能體協(xié)作的統(tǒng)一記憶中樞。

Milvus 向量數(shù)據(jù)庫在解決多智能體信息孤島問題上具有以下四大核心優(yōu)勢：

1. 統(tǒng)一存儲：所有智能體的推理過程和結(jié)果都可以集中存儲在一個統(tǒng)一的數(shù)據(jù)庫中，避免了信息的分散和丟失。
2. 實時共享：智能體 A 的技術(shù)分析結(jié)果可以立即對智能體 B 和 C 可見，確保所有智能體都能實時獲取最新的信息。
3. 向量檢索：通過向量檢索技術(shù)，就像給每個信息打上標(biāo)簽一樣，系統(tǒng)可以根據(jù)語義相似性快速找到相關(guān)信息，大大提高了信息檢索的效率。
4. MCP-Server 服務(wù)：支持自然語言交互，使得智能體之間的協(xié)作更加高效便捷。

當(dāng)智能體 A 分析“多模態(tài) AI 趨勢”時，智能體 B 和 C 可以看到完整的推理鏈，從而避免基于片面信息得出錯誤結(jié)論。三個智能體基于相同的信息基礎(chǔ)進行協(xié)作，主智能體也能夠輕松整合出一致性結(jié)論。

通過引入 Milvus 向量數(shù)據(jù)庫作為統(tǒng)一記憶中樞，我們不僅可以解決多智能體系統(tǒng)中的記憶問題，還能充分發(fā)揮多智能體協(xié)作的優(yōu)勢，為復(fù)雜問題的解決提供更高效、更可靠的方案。

4、總結(jié)

第一、多智能體架構(gòu)：2025年的“天使”還是“魔鬼”？

在2025年的當(dāng)下，多智能體架構(gòu)究竟是一個帶來希望的“天使”，還是潛藏風(fēng)險的“魔鬼”？

我的觀點是：別急于下定論，先看看事實。從長遠來看，多智能體架構(gòu)無疑是未來的發(fā)展方向，但在現(xiàn)階段，單智能體架構(gòu)可能更為可靠。

Anthropic 主張的“人多力量大”的理念是有道理的，Devin 指出的“失憶”和成本問題也確實存在。Anthropic 看到了多智能體架構(gòu)的巨大潛力，而 Devin 則看到了它在當(dāng)前面臨的挑戰(zhàn)。

在現(xiàn)階段，多智能體架構(gòu)是否“好”，關(guān)鍵在于它能否解決實際問題，以及解決這些問題的價值是否超過了它所消耗的成本。對于那些需要大量并行處理、信息量巨大，或者需要調(diào)用多種復(fù)雜工具的任務(wù)，多智能體架構(gòu)可能是那個完美的“天使”。然而，對于一些簡單的任務(wù)，或者對一致性和可靠性要求極高的場景，單智能體架構(gòu)可能仍然是更優(yōu)的選擇。

第二、一個更全面的架構(gòu)視角

多智能體架構(gòu)和單智能體架構(gòu)各有優(yōu)勢，也各有局限。我們不能簡單地將它們視為非此即彼的選擇，而應(yīng)該根據(jù)具體的應(yīng)用場景來決定使用哪種系統(tǒng)。

• 多智能體架構(gòu)的“天使”一面：它能夠通過并行處理大幅提升效率，尤其適合處理復(fù)雜的、多維度的任務(wù)。例如，在大規(guī)模數(shù)據(jù)分析、多領(lǐng)域研究、或者需要多個智能體協(xié)同完成的任務(wù)中，多智能體架構(gòu)能夠發(fā)揮巨大的作用。
• 多智能體架構(gòu)的“魔鬼”一面：它面臨著上下文丟失、信息孤島、決策沖突等問題，這些問題在當(dāng)前的技術(shù)水平下仍然難以完全解決。此外，多智能體架構(gòu)的成本也相對較高，尤其是在 Tokens 消耗和計算資源方面。
• 單智能體架構(gòu)的可靠性：單智能體架構(gòu)雖然在處理復(fù)雜任務(wù)時可能效率較低，但在一些簡單任務(wù)或者對一致性要求極高的場景中，它的穩(wěn)定性和可靠性是無可替代的。例如，在客戶服務(wù)、簡單的文本生成等場景中，單智能體架構(gòu)可能更為合適。

第三、架構(gòu)設(shè)計結(jié)論：因地制宜，因時制宜

在2025年的今天，多智能體架構(gòu)和單智能體架構(gòu)都有其存在的價值。我們不能簡單地將它們視為對立的兩種選擇，而應(yīng)該根據(jù)具體的應(yīng)用場景和需求來選擇最適合的方案。對于那些需要高效并行處理和復(fù)雜任務(wù)協(xié)同的場景，多智能體架構(gòu)可能是更好的選擇；而對于那些對穩(wěn)定性和一致性要求更高的簡單任務(wù)，單智能體架構(gòu)可能更為可靠。

未來，隨著技術(shù)的不斷進步，多智能體架構(gòu)可能會逐漸克服當(dāng)前的挑戰(zhàn)，成為主流。但在現(xiàn)階段，單智能體架構(gòu)更可靠。我們需要更加理性地看待這兩種架構(gòu)的優(yōu)勢和局限，根據(jù)實際情況做出合理的選擇。

本文轉(zhuǎn)載自???玄姐聊AGI??  作者：玄姐