How We Built Our Multi-Agent Research System（我们如何构建多 Agent 研究系统）

Anthropic 为 Claude 的 Research 功能构建了生产级多 Agent 系统，性能显著超越单 Agent。经验表明：架构设计、提示词工程、系统性评估和稳健的运维实践缺一不可。

架构：编排器-工作者模式

1. 主导 Agent（Opus 4）分析用户查询、制定研究策略、把研究计划存入记忆
2. 多个专门化子 Agent（Sonnet 4）并行探索不同侧面，各自迭代搜索、用交错思考评估结果、识别缺口
3. 子 Agent 把发现返回主导 Agent，由其综合并决定是否需要补充研究
4. 引用 Agent 把论断映射到具体来源位置
5. 带引用的最终结果返回用户

与静态检索的传统 RAG 不同，该系统做的是随中间发现动态演化的迭代搜索。

关键数据

• 多 Agent 系统（Opus 4 主导 + Sonnet 4 子 Agent）在内部研究评测上超出单 Agent Opus 4 达 90.2%
• BrowseComp 评测中 95% 的性能方差由三个因素解释：token 用量占 80%，其余是工具调用次数和模型选择
• 升级到 Sonnet 4 的收益大于把 Sonnet 3.7 的 token 预算翻倍
• 代价：多 Agent 消耗约 15 倍于普通对话的 token，只适合高价值任务

适用与不适用场景

适合： 广度优先的并行探索、信息量超出单个上下文窗口、重度并行化领域、复杂工具接口、信息压缩类任务 不适合： 大多数编码任务（可并行成分少）、需要所有 Agent 共享上下文的领域、Agent 间强依赖的场景

八条提示词工程经验

1. 像你的 Agent 一样思考： 在 Console 里用完全相同的提示词和工具做模拟，逐步观察失败模式
2. 教主导 Agent 委派： 每个子任务要有明确目标、输出格式、工具指引、任务边界——含糊的指令导致子 Agent 重复劳动
3. 按复杂度分配投入： 显式规则——简单事实查找 1 个 Agent、3-10 次工具调用；直接对比 2-4 个子 Agent、各 10-15 次调用；复杂研究 10+ 个子 Agent 各有分工
4. 工具设计至关重要： 「工具-Agent 接口和人机接口一样关键」；先查看所有可用工具、匹配用户意图、宽泛探索用 web search、优先专用工具
5. 让 Agent 自我改进： Claude 4 能诊断失败模式并改写工具描述——「工具测试 Agent」让后续任务完成时间下降 40%
6. 先宽后窄的搜索策略： 模仿专家：先宽泛查询评估信息面，再逐步收窄
7. 用扩展思考引导： 扩展思考让规划可见可控；交错思考让子 Agent 在搜索后评估质量、识别缺口
8. 并行工具调用： 主导 Agent 同时启动 3-5 个子 Agent、子 Agent 同时用 3+ 工具——复杂查询的研究时间减少最多 90%

评估方法

• 从小规模开始： 约 20 个真实使用场景的代表性查询就够；早期提示词改动的效应量大（30%→80%），小样本即有统计意义；不要等建好大规模测试集才开始评估
• LLM 评委： 单个 LLM 按结构化 rubric 打分——事实准确性、引用准确性、完整性、来源质量、工具效率；单评委比多个专门评委更一致
• 人工评估不可省： 能抓住自动评估遗漏的边缘情况，例如 Agent 偏好 SEO 内容农场而非权威学术来源——加入来源质量启发式后解决
• 涌现行为： 对主导 Agent 的小改动会不可预测地改变子 Agent 行为，要理解交互模式而非只看单体指标

生产环境的挑战与对策

• 状态错误的复利： 小故障会级联成大规模行为异常。方案：支持从出错点恢复而非从头重跑；把工具失败告知 Agent 让其自适应调整
• 调试非确定性： 相同提示词每次运行决策不同。方案：全量生产追踪 + 高层可观测性（监控决策模式而不看对话内容，保护隐私）
• 部署协调： Agent 几乎持续运行，标准部署会打断进行中的进程。方案：彩虹部署（rainbow deployments），新旧版本并存、流量渐进切换
• 同步瓶颈： 目前主导 Agent 同步等待子 Agent 完成——简化了协调但限制了并行；异步执行是未来方向，但带来结果协调、状态一致性、错误传播的新挑战

附录实用洞察

• 只评估终态： 对改变状态的复杂流程，验证最终状态是否正确，容许不同路径；用离散检查点而非校验每一步
• 跨越数百轮的长对话： 接近上限时总结已完成阶段、要点存外部记忆、派新子 Agent 用干净上下文接力
• 子 Agent 直接输出到文件系统： 产物（代码、报告、可视化）自行持久化，只把轻量引用传回主导 Agent，避免多级传话的信息损耗

结论

「最后一公里往往是大部分旅程」——原型到生产之间隔着大量工程。Agent 错误会复利，传统软件里的小问题足以让 Agent 走向完全不同的轨迹。成功需要细致的工程、全面测试、精雕细琢的提示词与工具、稳健的运维，以及研究/产品/工程团队的紧密协作。