多智能體系統(tǒng)大多只是表演！做了25+個(gè)Agent的開發(fā)老鳥警告：成本爆炸，延遲增加，Agent不是越多越好！ 原創(chuàng)
出品 | 51CTO技術(shù)棧（微信號：blog51cto）
今年以來，多智能體（Multi-Agents）頻頻成為AI領(lǐng)域的熱點(diǎn)話題。但現(xiàn)在，越來越多開發(fā)者發(fā)現(xiàn)，“多智能體協(xié)作”的酷炫演示，很多只是AI 的一場秀，并非切實(shí)可靠。
這兩天，Reddit、X平臺上關(guān)于多智能體的討論再次甚囂塵上。小編刷到一篇網(wǎng)友的帖子，他說自己做了超過25個(gè)Agent，為客戶服務(wù)已經(jīng)兩年多，最后得出的結(jié)論是：很多人做的多智能體系統(tǒng)，看起來復(fù)雜、炫技，卻沒什么必要。
許多開發(fā)者也在網(wǎng)上表示，日常任務(wù)中沒必要構(gòu)建多智能體系統(tǒng)，不僅會提升復(fù)雜度，增加成本以及上下文傳遞時(shí)間，而且流程出問題時(shí)難以調(diào)試。
圖片
另外，Cognition（知名 AI 編程智能體 Devin 的母公司）的創(chuàng)始人Walden Yan在其博客文章《不要構(gòu)建多智能體系統(tǒng)》（Don’t Build Multi?Agents）中指出，當(dāng)前流行的多智能體范式（如OpenAI的Swarm和Microsoft的AutoGen）違背了認(rèn)知可靠性的基本原理，他認(rèn)為：
“2025 年的多智能體系統(tǒng)，本質(zhì)上仍然脆弱、分散，決策不一致”。
那么，多智能體真的毫無必要嗎？
1.“95% 的情況下，你根本不需要多智能體”
Reddit 上這位有 25+ 項(xiàng) Agent 系統(tǒng)實(shí)戰(zhàn)經(jīng)驗(yàn)的開發(fā)者直言：
我理解，多智能體系統(tǒng)確實(shí)很酷?？粗煌?Agent 互相對話，就像科幻電影一樣。但說真的，你們很多人造的東西更像是“AI版魯布·戈德堡機(jī)器”——復(fù)雜、炫技，卻沒什么必要。
我為客戶做 AI Agent 已經(jīng)有兩年多了。真正能賺錢、而且不會每周都出問題的那些Agent，其實(shí)都非常簡單。
圖片
他舉了幾個(gè)真實(shí)的例子：
- 一個(gè)讀取郵件并自動更新 CRM 字段的 Agent（每月 200 美元，全天候運(yùn)行）
- 一個(gè)幫招聘方解析簡歷、提取關(guān)鍵信息的 Agent（賣 50 美元/月）
- 一個(gè)只回答常見問題（FAQ）的客服 Agent
- 一個(gè)在評論上線前標(biāo)記違規(guī)內(nèi)容的內(nèi)容審核 Agent
這些都不需要什么“多 Agent 協(xié)作”，不需要復(fù)雜的記憶系統(tǒng)，更不需要什么“研究員 Agent”、“寫作 Agent”、“監(jiān)督 Agent”互相開會討論下一步。
而現(xiàn)在的AI Agent社區(qū)，很多人是這樣的：本來只需要解決一個(gè)小任務(wù)，但看了 LangGraph、CrewAI 的介紹，就開始造龐大的系統(tǒng)：研究員 Agent、撰寫 Agent、評論 Agent、監(jiān)督 Agent 一應(yīng)俱全。結(jié)果系統(tǒng)幻覺嚴(yán)重、丟上下文、每月光 API 成本就 500 美元，而其實(shí)一個(gè)精心設(shè)計(jì)的 GPT-4 prompt 就能搞定。
這位身經(jīng)百戰(zhàn)的開發(fā)者坦言：如果一個(gè)好的系統(tǒng)提示和單個(gè) Agent 就能解決問題，那就別多此一舉。每多一個(gè) Agent，就多一個(gè)故障點(diǎn)；每一次信息傳遞，都是上下文丟失的風(fēng)險(xiǎn)；每一次“規(guī)劃”步驟，都有可能出錯(cuò)。
他還分享了自己現(xiàn)在最常用的 Agent 技術(shù)棧：
- OpenAI API（沒錯(cuò)，平平無奇）
- N8N
- 帶示例的基礎(chǔ) prompt
- 一個(gè)簡單的 webhook 或定時(shí)任務(wù)（cron job）
- 如果需要存儲數(shù)據(jù)，就加個(gè) Supabase
就這樣。沒有框架，沒有復(fù)雜編排，沒有長鏈路。
另一位開發(fā)者也發(fā)帖子稱，他認(rèn)為多智能體系統(tǒng)主要存在3個(gè)問題：
1. 協(xié)調(diào)開銷毀掉了性能每一次 Agent 之間的交接都會增加延遲。我曾經(jīng)做過一個(gè)包含 5 個(gè)專業(yè) Agent 的內(nèi)容生成系統(tǒng)，而單 Agent 版本做同樣的事，不僅快了 3 倍，效果還更好。多 Agent 系統(tǒng)花在“傳遞上下文”上的時(shí)間，比花在“思考”上的還多。
2. 成本會爆炸每個(gè) Agent 調(diào)用，都是一次新的 API 請求，而那個(gè)“規(guī)劃 Agent”還得先決定該調(diào)用哪些 Agent。恭喜，你又多燒了一堆 token——干的活還不如一個(gè) if 條件判斷。我見過因?yàn)椤岸?Agent 協(xié)作”導(dǎo)致的賬單直接漲了三倍。
3. 調(diào)試幾乎不可能當(dāng)一個(gè) 6-Agent 流程出問題時(shí)，祝你好運(yùn)：是研究 Agent 輸出錯(cuò)了？還是規(guī)劃 Agent 路由有誤？又或者上下文在交接時(shí)被破壞？
你不得不花上好幾個(gè)小時(shí)，埋頭翻日志，看著一群 Agent 在互相對話。
圖片
而真正的問題在于，大多數(shù)任務(wù)根本不需要“分工”。
一個(gè)經(jīng)過精心提示、擁有完整上下文的單 Agent，就能干好你硬拆成五個(gè) Agent 的工作。
你不是在建汽車裝配線，你只是在做文本生成和推理。就好比一個(gè)強(qiáng)壯的工人，勝過五個(gè)在搶同一個(gè)筆記本的專家。
2.多智能體架構(gòu)違背「認(rèn)知可靠性原則」
人工智能公司Cognition的創(chuàng)始人Walden Yan在其博客文章《不要構(gòu)建多智能體系統(tǒng)》中提出了一個(gè)重要概念：「上下文工程」 （Context Engineering）。
這是繼“Prompt Engineering（提示工程）”之后，Agent 時(shí)代的新核心能力。
Walden Yan指出，構(gòu)建長時(shí)間運(yùn)行的 Agent 時(shí)，最核心的問題不是模型是否強(qiáng)大，而是上下文是否可靠傳遞。為此，他總結(jié)了兩條原則。第一，共享上下文。所有 Agent 必須共享完整的決策軌跡，而不僅僅是消息片段。
他舉了個(gè)例子：主任務(wù)是“做一個(gè) Flappy Bird 游戲”，結(jié)果一個(gè)子 Agent 畫出了馬里奧風(fēng)格的背景，另一個(gè)子 Agent 做出了一只飛行不正常的鳥。如果不同 Agent 各自理解任務(wù)，那么最終系統(tǒng)輸出的，只是把兩個(gè)錯(cuò)誤的東西拼貼到一起。
圖片
第二，行動蘊(yùn)含決策。每個(gè)行動背后都隱含著決策邏輯，如果多個(gè) Agent 獨(dú)立行動、互不協(xié)調(diào)，結(jié)果必然是沖突的。這就像多個(gè)編輯同時(shí)修改一篇文章，沒有主編審稿，最后合并時(shí)發(fā)現(xiàn)風(fēng)格割裂、邏輯不通。
最終Walden Yan得出的結(jié)論是：“多智能體架構(gòu)天然違背了上下文一致性與決策可靠性。”這些系統(tǒng)看似模塊化，實(shí)則極度脆弱，每一個(gè)誤解、每一次遺漏的上下文，都會讓結(jié)果偏離初衷。
圖片
他認(rèn)為，2025 年的多智能體系統(tǒng)，本質(zhì)上仍然脆弱、分散，決策不一致。
值得一提的是，為了應(yīng)用上述兩條原則，Walden Yan提出了兩個(gè)方案。一是最簡單的方案，單線程線性 Agent。一個(gè)持續(xù)線性的 Agent，在連續(xù)上下文中決策與行動。這種方式穩(wěn)定、可預(yù)測，足以支撐 90% 的應(yīng)用場景。但當(dāng)任務(wù)極大、上下文溢出時(shí)，系統(tǒng)會遇到窗口限制。
圖片
二是上下文壓縮模型，這也是Cognition正在做的事情。他們引入了上下文壓縮模型（Context Compression Model），一個(gè)專門負(fù)責(zé)總結(jié)歷史行為與關(guān)鍵決策的 LLM。
圖片
它能把漫長的對話歷史濃縮成核心要點(diǎn)，從而延長 Agent 的“有效記憶”，甚至可以針對特定領(lǐng)域微調(diào)一個(gè)小模型來承擔(dān)這個(gè)任務(wù)。它的優(yōu)點(diǎn)是支持更長任務(wù)，減少上下文負(fù)擔(dān)，適合長任務(wù)（幾十分鐘甚至幾小時(shí)）。
3.哪些任務(wù)適合用多智能體？
盡管很多人都在批評多智能體系統(tǒng)，但這也不代表多智能體一無是處。
那什么任務(wù)才適合多智能體呢？
Reddit上這位一開始大吐苦水的開發(fā)者指出，只有當(dāng)你確實(shí)需要不同模型、不同能力時(shí)，多 Agent 才真的有意義。例如，用 GPT-5 負(fù)責(zé)推理，用 Claude 處理超長上下文，用本地模型處理隱私數(shù)據(jù)（PII）——這種才是真正的“專業(yè)分工”。
他還舉了一個(gè)例子：
我做過最好的 Agent 系統(tǒng)，只有兩個(gè) Agent：一個(gè)負(fù)責(zé)干活，另一個(gè)負(fù)責(zé)核查輸出是否符合嚴(yán)格標(biāo)準(zhǔn)——通過就放行，不通過就退回修改。
簡單、高效，而且確實(shí)提升了質(zhì)量，因?yàn)轵?yàn)證步驟能捕捉幻覺錯(cuò)誤。
相反，則有網(wǎng)友提出，如果你的應(yīng)用不需要大量分支式思考，也不依賴復(fù)雜的多步驟推理或多 Agent 協(xié)作，那多智能體系統(tǒng)就不適合你。
你應(yīng)該把時(shí)間和預(yù)算都花在充分利用一次高質(zhì)量 API 調(diào)用上，選擇你能負(fù)擔(dān)得起的最強(qiáng)模型。
尤其是在做 B2B/B2C 類生產(chǎn)力工具的團(tuán)隊(duì)里，高度分支化的場景極其罕見，很多時(shí)候任務(wù)的關(guān)鍵反而是降低分支復(fù)雜度。
圖片
另外，也有網(wǎng)友認(rèn)為，關(guān)鍵是明確并細(xì)化每個(gè) AI 的角色，確保它們的工作不重疊。
解決幻覺的辦法，不是多 Agent 網(wǎng)絡(luò)，而是更清晰的角色定義。
我們該關(guān)注的重點(diǎn)是：讓每個(gè) Agent 自身更強(qiáng)，而不是搭建更多互相扯后腿的 Agent 網(wǎng)絡(luò)。
圖片
總的來說，“該不該構(gòu)建多智能體”這個(gè)問題目前還是眾說紛紜。
除了Coginiton，Anthropic和LangChain都是這個(gè)話題中的贊成派，分別發(fā)過文章《How we built our multi-agent research system》和《How and when to build multi-agent systems》闡述構(gòu)建多智能體系統(tǒng)的經(jīng)驗(yàn)和可行性。
兩家團(tuán)隊(duì)最終都總結(jié)，只有當(dāng)任務(wù)價(jià)值高、信息面寬且可高度并行時(shí)，多智能體的 Token “燒錢”才劃算。典型就是廣域信息研究，而大部分代碼任務(wù)還不夠“寬”。
聊到這里，或許你可能已經(jīng)在心里默默數(shù)過自己項(xiàng)目里有幾個(gè) Agent。
這些 Agent 是真正需要的團(tuán)隊(duì)協(xié)作，還是為了炫酷的架構(gòu)演示？歡迎在評論區(qū)聊聊——你見過最“離譜”的多智能體設(shè)計(jì)是什么？你又認(rèn)為哪種場景下，它真的有價(jià)值？
參考鏈接：
??https://www.reddit.com/r/AI_Agents/comments/1o5hvhm/multiagent_systems_are_mostly_theater/??
??https://cognition.ai/blog/dont-build-multi-agents#a-theory-of-building-long-running-agents??
??https://www.anthropic.com/engineering/multi-agent-research-system??
??https://blog.langchain.com/how-and-when-to-build-multi-agent-systems/??
本文轉(zhuǎn)載自??51CTO技術(shù)棧??，作者：聽雨
