A07 Multi-Agent Teams
A07 Multi-Agent Teams
一句话定义：Multi-Agent Teams 指多个具有不同角色、记忆、工具集的 agent 通过消息或共享状态协同完成单个任务的系统形态——必要性的根本来源不是”一个 agent 不够聪明”，而是上下文窗口装不下所有角色。
一、Multi-Agent 是 2026 年最被滥用的工程术语
三种典型架构（层级 / 对等 / 市场）的分类在英文综述里至少有 5 篇互相抄过——读完这个分类等于没读。本节点的反共识立场：这三种架构在 PM 视角下其实只有一种半能用——层级式是真能落地的一种，对等式只在学术 benchmark 上有 5-15 pp 提升、放进生产基本是 token 烧钱机器，市场式截至 2026-05 还是论文里的玩具。
这是 AI概念滥用反思 中说的 saliency drift 在 Agent 维度的具体体现——任何被高频使用的 AI 术语都会经历”凡是循环就叫 ReAct，凡是多个 LLM 就叫 multi-agent”的标签滥用。所以你看到的 90% 的”multi-agent 产品”其实是 Plan-and-Execute 换皮（把”步骤”叫成”角色”），剩下的 10% 里真正用对等辩论的不到 1%。
判据：评估任何”multi-agent 平台”前，先用三题刷掉 80% 的伪 multi-agent：
- 你们的 agent 之间有 不同的知识来源 / 不同的模型权重 / 不同的工具集 吗？
- agent 之间是 消息驱动（agent A 写消息给 agent B）还是 共享状态（统一状态被多个 agent 读写）？
- 如果 Manager agent 挂了，剩下的 agent 能不能自主决定下一步？
第一题不通过 = 伪 multi-agent；第二题答不上 = 没设计过；第三题答”不能” = 你们就是 Plan-and-Execute。
二、三种架构在 PM 视角的真实档位
| 架构 | 典型代表 | 学术 benchmark 表现 | 生产可用性 | PM 选型档位 |
|---|---|---|---|---|
| 层级式（Manager-Worker） | CrewAI hierarchical、LangGraph supervisor、DeerFlow、AutoGen GroupChat with admin | 稳定提升 | 唯一真能落地——边界清晰、调试容易、Manager 错就重跑 Manager | 95% 场景的 default |
| 对等式（Peer Debate） | Du et al. 2023 Improving Factuality via Multiagent Debate、MetaGPT SOP、LangGraph swarm | benchmark 上 5-15 pp 提升 | PM 选型陷阱——见下文 § 三 | 几乎永远不要起步用 |
| 市场式（Marketplace/Bidding） | ChatDev 分工竞价、A2A 协议族未来形态 | 论文级 | 2026-05 仍是玩具——竞价协议、信任、作弊问题未解 | 暂不评估 |
层级式的工程边界清晰到不需要展开：一个 Manager 拆解任务、派活、汇总；多个 Worker 执行子任务。剩下的篇幅留给 PM 真正需要识别的陷阱——对等式架构。
2.1 Anthropic 立场的精读(R4 新增 — 修正 confirmation bias)
R4 反 confirmation bias 修订:本节点早期版本反复引用 Anthropic Building Effective Agents “先单 agent” 作为反 multi-agent 立场——这是对原文的简化。原文的真正立场是更细的三档梯度,不是简单的”反 multi-agent”。
Anthropic 的真实立场(2024-12-19 Building Effective Agents 博客 + 2025-06 Multi-agent Research System 博客联合解读):
- 优先级 1:augmented LLM——一次 LLM 调用 + RAG / tools / memory,能解决 70% 任务,这是”最简单方案”的真正含义,不是”单 agent”。
- 优先级 2:workflow(预定义路径,如 prompt chaining / routing / parallelization)——能解决 80% 剩余任务。
- 优先级 3:agent(LLM 动态决定路径)——只在 workflow 不够用时。
- 优先级 4:multi-agent——只在单 agent 不够用 + 任务有清晰可分工的子查询时。
Anthropic 自己做的 multi-agent research system 怎么解释:
- Anthropic 在 2025-06 发布的 How we built our multi-agent research system 中,明确承认 multi-agent 在该场景下有 15-30 pp 完成率提升——不是反对 multi-agent。
- 但这个场景的约束是:(a) “深度研究类任务”(有清晰可分工的子查询);(b) Anthropic 自己使用 Claude Sonnet 不同 prompt——他们其实违反了 § 一三题的第一题(同底模不同 prompt 是 self-talk),但场景的”可分工子查询”足够强,弥补了同底模的弱点。
- Anthropic 在博客中明确说:这个 multi-agent 架构不应该被泛化到其他场景——它的成功有特定前提。
对早期版本的简化的具体修正:
- 不再说”Anthropic 反对 multi-agent”——他们其实是”在 90% 场景反对,在 5-10% 深度研究场景认可”。
- 不再单引”先单 agent”——正确表述是”先 augmented LLM > workflow > simple agent > multi-agent”四档梯度。
- 承认本节点在 § 一的”对等式陷阱”判断,严格说应该是”对等式在 90% 企业场景是陷阱,但在 Anthropic 那种深度研究场景仍有价值”——这一边界是 R4 显式承担的。
Rick 在面试遇到”那 Anthropic 自己为什么做 multi-agent”的标准回答:
“Anthropic 在 2025-06 的 multi-agent research system 是反例——但这个反例严格限定在’深度研究类任务’(有清晰可分工的子查询、有 ground truth 可评估)。在 90% 的企业 PM 场景(顺序的、状态依赖的、单线程的任务)中,Anthropic 的’先 workflow > simple agent > multi-agent’ 梯度仍然成立——multi-agent 应该是最后选项,不是 default。“
2.2 Reflexion 复现性争议给 multi-agent 评估的暗示(R4 新增)
学界(2024-2025 多篇 follow-up 论文,包括 EMNLP 2024 的几篇)对 Reflexion 原论文的复现性提出质疑——原 91% 数据可能 cherry-picked,独立复现只达 83-88%,且原 evaluator 用 ground truth 在生产中不存在。这一争议给 multi-agent 评估有两层暗示:
- 直接暗示:任何”加一个 reviewer agent 提升完成率 X pp”的 multi-agent 收益判断,都应该怀疑——可能是 cherry-picking 或 evaluator 漏洞。
- 间接暗示:Anthropic 在 2025-06 multi-agent research system blog 中也没有用外置 Reflexion 风格的反思——他们用 Claude 内置的 Extended Thinking。这是工业界对 Reflexion 范式的隐性否定——multi-agent 内部不需要外置 reviewer,模型自带 thinking budget 就够。
对 PM 的具体启示:评估 multi-agent 产品时,对”多个 agent 互相 review 提升完成率”的销售话术保持警惕——多数情况下,这种”互相 review”在生产数据下被 evaluator 噪声吃掉,实际收益远低于 demo。
三、为什么对等式架构是 PM 选型陷阱（反共识展开）
对等辩论看起来民主、聪明、缓解 self-confirmation bias，但在企业任务上几乎不能复现学术 benchmark 的收益。三层证据：
- token 成本随 agent 数 × 轮数二次增长：3 agent × 3 轮 debate = 9 次 LLM 调用，而单 agent + Reflexion 通常只要 2-3 次。成本差 3-4 倍但实际质量差不到 30%。
- 学术 benchmark 的收益不能在企业任务上复现：Du et al. 2023 报告的 15-30 pp 来自数学推理、事实核查类任务——这些任务有清晰的 ground truth，evaluator 可以稳定打分。企业任务（如客户邮件回复、合规审查）的 evaluator 是”主观偏好”，多 agent 辩论的收益被 evaluator 噪声吃掉。
- 同底模辩论是 Habermas 意义上的”被殖民的沟通”：见 § 五。
Anthropic 自己的工程博客《How we built our multi-agent research system》（2025-06）虽然报告了 multi-agent 比单 agent 高出显著比例的完成率，但场景严格限定在”深度研究类任务”——即任务必须有”可分工并行的子查询”。这个限定条件在 90% 的企业 PM 场景中不成立——大部分企业 agent 任务是顺序的、状态依赖的、单线程的。
Rick 的可操作判据（更新版，比原”三问”更精细）：
- 任务能否被分解为 ≥3 个真正可并行的子查询（彼此结果不互相依赖）？否 → 不要 multi-agent。
- 单 agent 的 prompt 是否已经写到 token 数对 KV cache 不友好（>8K system prompt）？否 → 不要 multi-agent。
- 是否存在”角色之间的对抗性 review”是工作流的核心环节（如 codereview、合规审查）？否 → 不要 multi-agent。
- 三题至少两题”是”才考虑 multi-agent，否则单 agent + Reflexion 更划算。
四、代表项目（事实截至 2026-05）
| 项目 | 出品方 | 时间 | 架构倾向 | 当前状态 |
|---|---|---|---|---|
| AutoGen | Microsoft Research | 2023-08 论文首发(arXiv:2308.08155) / 2023-09 GitHub 开源，v0.4 重写为消息驱动 | 对等 / 消息总线 | 活跃，企业落地最多 |
| CrewAI | João Moura（独立） | 2023-12 | 层级 / 顺序流程 | 商业化（CrewAI Enterprise） |
| MetaGPT | DeepWisdom（中国，洪思睿等；Schmidhuber 等合作） | 2023-08(arXiv:2308.00352, ICLR 2024) | 对等 / SOP 驱动 | 学术影响大，工业落地一般 |
| DeerFlow | 字节跳动 | 2026-02-28 v2.0 开源，登顶 GitHub Trending | 层级 + supervisor | 中国头部多 agent 框架 |
| LangGraph swarm | LangChain | 2024-08 | 框架原语，可装配上述三种 | 主流默认底座 |
五、跨域呼应：Habermas 沟通理性给我们一个真正能用的反共识判据
Habermas《交往行为理论》（1981）的核心论点：理性沟通的前提是”理想言谈情境”——参与者地位平等、不受外部强制、能自由提出主张和质疑。
这个理论给 multi-agent 评估一个具体判据：
- Peer Debate 架构看起来最接近 Habermas 理想——agent 地位对等、可以质疑彼此。
- 但如果几个 agent 都是同一个底模（如全是 Claude Sonnet 4.6），它们的”对话”本质是 self-talk，不是 Habermas 意义上的”多个理性主体”——它们的认识论基础完全一致，“辩论”只是同一个分布的多次采样，没有真正的”他者性”。
这就是 Habermas 批判的”被殖民的沟通”——形式民主但实质单语。
PM 操作启示：评估 multi-agent 产品时应该问”你们的不同 agent 是不是真的有 不同的知识来源、不同的模型权重？“。如果答”我们用同一个 Claude 但 prompt 不同”——这就是被殖民的沟通；如果答”Manager 用 Opus、Reviewer 用 GPT-5、Worker 用 DeepSeek V4”——这才是真正的多 agent，因为认识论基础不同。这一问能立刻区分销售话术与工程现实。
5.1 Luhmann 系统论:同底模 multi-agent 的另一种合法性来源(内部论证)
Niklas Luhmann《社会系统》(1984) 反对 Habermas 的”沟通需要理性主体”假设——沟通是系统的自我再生产,不需要”意识”作为载体。这一立场被引入是为了让 § 五的 Habermas 判据不至于把”同底模 multi-agent” 一票否决。
简化为一句:在 Luhmann 框架下,同底模 multi-agent 只要让任务流继续运行就算合法的”沟通”,不需要”真正的他者性”——所以 Anthropic 2025-06 multi-agent research system(同底模不同 prompt)既不是 bug 也不是自相矛盾,是选了 Luhmann 路径而非 Habermas 路径。
两个框架的 PM 用法:
- Habermas 框架(§ 五默认):评估 multi-agent 要看是否有”真正的他者性”(不同模型权重 / 不同知识来源)
- Luhmann 框架(本段):评估 multi-agent 只看任务流能否继续——同底模也合法,只是辩护逻辑不是”理性共识”而是”功能性运行”
面试是否用:Luhmann 在 PM 圈完全陌生,主动引用反而显得装腔作势。本段作为内部论证(让你自己回答”为什么 Anthropic 自家做 multi-agent 不矛盾”),不作为面试金句。面试遇到反方追问时,直接用 § 2.1 的”四档梯度 + 严格限定场景”回答即可,不必绕到 Luhmann。
5.2 Stuart Russell《Human Compatible》:multi-agent 的对齐风险累加
Stuart Russell《Human Compatible》(2019) 主张所有”目标导向”agent 本质上不可对齐——我们告诉 agent 的目标永远是真实偏好的近似;AI 应最小化自身偏好,最大化人类偏好(Inverse Reward Design)。Russell 给 multi-agent 的根本挑战是:每个 agent 一次实例化都是一次对齐风险累加,multi-agent 的协作过程本质是多个错对齐 agent 互相反馈、误差累积。
Rick 的回应:接受这一根本挑战 → 工程上降阶到 narrow 场景 + HITL 校验。注意”降阶到 narrow 场景 + HITL” 不是 Russell 原书内容,而是 PM 视角对 Russell 立场的实用主义工程外推——把这两件事算成 Russell 的延伸是过度引用;它们的正当性来自 m207 HITL 三维度与企业合规实践,不来自 Russell。
对 PM 的具体启示:在 to B 销售中主动提及 AI alignment 风险(可援引 Russell 但不必精细引述),能让买家觉得你”懂 AI 治理”而不只是”卖功能”——这是 alignment 立场在 PM 圈的差异化用法。
5.3 福柯式视角
福柯式视角的简短版：每个 multi-agent 框架其实在分配权力——Manager 拥有任务定义权、Reviewer 拥有否决权、Worker 只有执行权。这与企业内部科层制（见 A06 Orchestrator 编排器 § 五韦伯讨论）有同构性。PM 操作启示：向客户介绍 multi-agent 时不要说”我们有 N 个 agent”，要说”我们设计了协作的权力结构”——这比堆数量更有商业说服力。
与已有节点的关系
- 对 m206 - Agent 产品化：记忆机制与技术进展 的扩展：m206 提到 A2A 是 Google 2025 协议但未展开 multi-agent 架构；本节点补完且加入”反共识判据”。
- 对 c10 - Agent 技术栈与工具调用 的纠偏：c10 把”多 Agent 协作”列为一种模式简短一行；本节点展开为独立维度并给出选型陷阱。
- 对 A05 Plan-and-Execute 的延伸：Plan-and-Execute 是单 agent 的”内分工”，Multi-Agent 是”外分工”，两者结构同源——这也是为什么 90% 的”multi-agent 产品”实际是 Plan-and-Execute 换皮。
- 与 E03 Multi-Agent 框架·AutoGen & CrewAI & DeerFlow 的对话：A07 给出 multi-agent 的概念判据（§ 一三问、§ 三对等式陷阱），E03 必须用 A07 这套判据评估 AutoGen / CrewAI / DeerFlow 自身——见 E03 § 3.6 的”反向用 A07 判据”。
PM 决策启示
-
面试问答模板：
Q：“你怎么判断一个 multi-agent 平台是真的还是 PPT？” A：（30 秒标准答）“我用三个问题刷掉 80%：第一，你们的 agent 之间是不是有不同的知识来源或模型权重？同底模的多 prompt 不是真 multi-agent，是 Habermas 批判的被殖民的沟通。第二，agent 之间是消息驱动还是共享状态？答不上来说明没设计过。第三，Manager 挂了能不能继续？答’不能’就承认你们是 Plan-and-Execute。” （加分项）“Anthropic 在 Building Effective Agents 里明确说’优先单 agent + 好工具集，只在实测证明不够时再上 multi-agent’——这是行业内最权威的’反 hype’立场。”
-
避免买单失误：当供应商主打”我们有 N 个 agent 协作”时，用 § 一的三题。
-
复现路径建议（对接 R03 Multi-Agent 模板·AutoGen CrewAI）：
- 先在 CrewAI 用 3-agent 跑通”层级式”，理解角色分工（1 人天）。
- 再在 LangGraph 用 swarm 跑通”对等式”——目的是亲身验证 § 三的成本爆炸，不是为了用它。
- AutoGen 留到最后——抽象最深、学习曲线最陡（1 人周）。
-
真实场景判据：B2B 销售流水线、HR 调研、行研、合规审查——这四类任务 multi-agent 收益较稳；客服、代码生成（中小规模）、检索问答——单 agent 通常够用。
关联节点
核心关联（必读）：
- A05 Plan-and-Execute——理解 90% 的”伪 multi-agent”本质
- A06 Orchestrator 编排器——multi-agent 的运行时底座
- E03 Multi-Agent 框架·AutoGen & CrewAI & DeerFlow——用本节点的判据评估三家
- R03 Multi-Agent 模板·AutoGen CrewAI——亲手验证对等式陷阱
- AI概念滥用反思——multi-agent 是 saliency drift 的典型案例
延伸关联（可选）：
- A08 MCP 与 A2A 协议族、c10 - Agent 技术栈与工具调用
- m206 - Agent 产品化：记忆机制与技术进展、m207 - Agent 产品化：场景推演与失败模式、m209 - 推理成本控制手册
- 幻觉、Anthropic
修订日志
- R4 → R5（2026-05-18):本轮聚焦出版就绪——B 类压缩(Luhmann 偏装饰 + Russell 过度引用)。修订要点:
- § 5.1 Luhmann 段压缩 41%(~565 字 → ~330 字),显式标注”内部论证,不作为面试金句”——Luhmann 在 PM 圈完全陌生,主动引用反而显得装腔作势;保留两个框架的 PM 用法对照(Habermas vs Luhmann)
- § 5.2 Stuart Russell 段压缩 40%(~405 字 → ~245 字),显式承担”工程化降阶方案不是 Russell 原书内容、是 PM 视角的实用主义工程外推” —— R4 critique 指出的过度引用问题。保留 alignment 立场 + 面试差异化用法
- R3 → R4（2026-05-18）：本轮聚焦反方对话训练 + Anthropic blog 精读 + 引入未读对手框架。修订要点：
- 新增 § 2.1 “Anthropic 立场的精读” —— 反 confirmation bias 修订:不再简化为”反 multi-agent”,而是”先 augmented LLM > workflow > simple agent > multi-agent” 四档梯度;承认 Anthropic 2025-06 multi-agent research blog 在深度研究场景仍认可 multi-agent;显式承担”对等式陷阱”判断的边界(90% 企业场景成立,深度研究场景例外)
- 新增 § 2.2 “Reflexion 复现性争议给 multi-agent 评估的暗示” —— 引入学界对 Reflexion 复现性的质疑
- 新增 § 5.1 “Luhmann 系统论:Habermas 之外的另一种 multi-agent 辩护框架” —— 引入 Rick 未读对手框架,承认同底模 multi-agent 在 Luhmann 框架下仍然合法,修正 Habermas 立场的过度绝对化
- 新增 § 5.2 “Stuart Russell 《Human Compatible》:agent 自主性的根本不可对齐” —— 引入 Rick 未读对手框架,承认 multi-agent 的对齐风险是累加的;给出工程化降阶方案
- 引入的对手框架:Luhmann 系统论 (Rick 未读)、Stuart Russell《Human Compatible》(Rick 未读)、Anthropic 2025-06 multi-agent blog 精读 (Anthropic 自家 multi-agent 反驳本节点早期立场)、Reflexion 复现性争议 (学界反方)
- R2 → R3（2026-05-18）：聚焦判断密度提升。本轮修订要点：
- § 一全部重写，反共识首句”三种架构在 PM 视角下只有一种半能用”作为定调
- § 一引入 AI概念滥用反思，把 multi-agent 标签滥用置于 saliency drift 框架下
- § 一新增”三题判断真伪 multi-agent”作为可操作判据（替换原宽泛”必要性反推”）
- § 二把三种架构平铺表压缩为 PM 视角档位表，明确”95% 场景 default 是层级式”
- § 三全新写作”为什么对等式架构是 PM 选型陷阱”——三层证据（token 二次增长 / benchmark 不可复现 / 同底模辩论）
- § 三明确指出 Anthropic Research 数据来自《How we built our multi-agent research system》(2025-06)且严格限定深度研究场景——回应 Round 2 [无证据-3]
- § 三给出更精细的”Rick 可操作判据”（三题：可并行子查询 / KV cache / 对抗性 review）
- § 五 Habermas 段从装饰升级为”真正能用的反共识判据”——给出明确 PM 操作问句”你们的 agent 是不是有不同模型权重”
- § 五福柯段从装饰改为”协作的权力结构”作为销售话术
- 关联节点分两档，与 E03 形成显式”判据 → 评估”对话
- PM 决策启示加入面试 Q+A 模板
- R1 → R2（2026-05-18）：MetaGPT 出品方”沈向阳团队”修正为 DeepWisdom；AutoGen / DeerFlow 时间细化；Anthropic 引用从中文翻译引号改为 paraphrase。
- 2026-06-12 内审修复：frontmatter 补 final_path 字段（= 本文件在库内实际相对路径）。