出品 | 51CTO技術棧（微信號：blog51cto）

今年以來，多智能體（Multi-Agents）頻頻成為AI領域的熱點話題。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，并非切實可靠。

這兩天，Reddit、X平臺上關于多智能體的討論再次甚囂塵上。小編刷到一篇網友的帖子，他說自己做了超過25個Agent，為客戶服務已經兩年多，最后得出的結論是：很多人做的多智能體系統(tǒng)，看起來復雜、炫技，卻沒什么必要。

許多開發(fā)者也在網上表示，日常任務中沒必要構建多智能體系統(tǒng)，不僅會提升復雜度，增加成本以及上下文傳遞時間，而且流程出問題時難以調試。

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《不要構建多智能體系統(tǒng)》（Don’t Build Multi?Agents）中指出，當前流行的多智能體范式（如OpenAI的Swarm和Microsoft的AutoGen）違背了認知可靠性的基本原理，他認為：

“2025 年的多智能體系統(tǒng)，本質上仍然脆弱、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 Agent 系統(tǒng)實戰(zhàn)經驗的開發(fā)者直言：

我理解，多智能體系統(tǒng)確實很酷。看著不同的 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·戈德堡機器”——復雜、炫技，卻沒什么必要。

我為客戶做 AI Agent 已經有兩年多了。真正能賺錢、而且不會每周都出問題的那些Agent，其實都非常簡單。

圖片

他舉了幾個真實的例子：

• 一個讀取郵件并自動更新 CRM 字段的 Agent（每月 200 美元，全天候運行）
• 一個幫招聘方解析簡歷、提取關鍵信息的 Agent（賣 50 美元/月）
• 一個只回答常見問題（FAQ）的客服 Agent
• 一個在評論上線前標記違規(guī)內容的內容審核 Agent

這些都不需要什么“多 Agent 協(xié)作”，不需要復雜的記憶系統(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小任務，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 一應俱全。結果系統(tǒng)幻覺嚴重、丟上下文、每月光 API 成本就 500 美元，而其實一個精心設計的 GPT-4 prompt 就能搞定。

這位身經百戰(zhàn)的開發(fā)者坦言：如果一個好的系統(tǒng)提示和單個 Agent 就能解決問題，那就別多此一舉。每多一個 Agent，就多一個故障點；每一次信息傳遞，都是上下文丟失的風險；每一次“規(guī)劃”步驟，都有可能出錯。

他還分享了自己現(xiàn)在最常用的 Agent 技術棧：

• OpenAI API（沒錯，平平無奇）
• N8N
• 帶示例的基礎 prompt
• 一個簡單的 webhook 或定時任務（cron job）
• 如果需要存儲數據，就加個 Supabase

就這樣。沒有框架，沒有復雜編排，沒有長鏈路。

另一位開發(fā)者也發(fā)帖子稱，他認為多智能體系統(tǒng)主要存在3個問題：

1. 協(xié)調開銷毀掉了性能每一次 Agent 之間的交接都會增加延遲。我曾經做過一個包含 5 個專業(yè) Agent 的內容生成系統(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”上的時間，比花在“思考”上的還多。

2. 成本會爆炸每個 Agent 調用，都是一次新的 API 請求，而那個“規(guī)劃 Agent”還得先決定該調用哪些 Agent。恭喜，你又多燒了一堆 token——干的活還不如一個 if 條件判斷。我見過因為“多 Agent 協(xié)作”導致的賬單直接漲了三倍。

3. 調試幾乎不可能當一個 6-Agent 流程出問題時，祝你好運：是研究 Agent 輸出錯了？還是規(guī)劃 Agent 路由有誤？又或者上下文在交接時被破壞？

你不得不花上好幾個小時，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，大多數任務根本不需要“分工”。

一個經過精心提示、擁有完整上下文的單 Agent，就能干好你硬拆成五個 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。就好比一個強壯的工人，勝過五個在搶同一個筆記本的專家。

2.多智能體架構違背「認知可靠性原則」

人工智能公司Cognition的創(chuàng)始人Walden Yan在其博客文章《不要構建多智能體系統(tǒng)》中提出了一個重要概念：「上下文工程」 （Context Engineering）。

這是繼“Prompt Engineering（提示工程）”之后，Agent 時代的新核心能力。

Walden Yan指出，構建長時間運行的 Agent 時，最核心的問題不是模型是否強大，而是上下文是否可靠傳遞。為此，他總結了兩條原則。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。

他舉了個例子：主任務是“做一個 Flappy Bird 游戲”，結果一個子 Agent 畫出了馬里奧風格的背景，另一個子 Agent 做出了一只飛行不正常的鳥。如果不同 Agent 各自理解任務，那么最終系統(tǒng)輸出的，只是把兩個錯誤的東西拼貼到一起。 

圖片

第二，行動蘊含決策。每個行動背后都隱含著決策邏輯，如果多個 Agent 獨立行動、互不協(xié)調，結果必然是沖突的。這就像多個編輯同時修改一篇文章，沒有主編審稿，最后合并時發(fā)現(xiàn)風格割裂、邏輯不通。

最終Walden Yan得出的結論是：“多智能體架構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，實則極度脆弱，每一個誤解、每一次遺漏的上下文，都會讓結果偏離初衷。

圖片

他認為，2025 年的多智能體系統(tǒng)，本質上仍然脆弱、分散，決策不一致。

值得一提的是，為了應用上述兩條原則，Walden Yan提出了兩個方案。一是最簡單的方案，單線程線性 Agent。一個持續(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、可預測，足以支撐 90% 的應用場景。但當任務極大、上下文溢出時，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），一個專門負責總結歷史行為與關鍵決策的 LLM。

圖片

它能把漫長的對話歷史濃縮成核心要點，從而延長 Agent 的“有效記憶”，甚至可以針對特定領域微調一個小模型來承擔這個任務。它的優(yōu)點是支持更長任務，減少上下文負擔，適合長任務（幾十分鐘甚至幾小時）。

3.哪些任務適合用多智能體？

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，只有當你確實需要不同模型、不同能力時，多 Agent 才真的有意義。例如，用 GPT-5 負責推理，用 Claude 處理超長上下文，用本地模型處理隱私數據（PII）——這種才是真正的“專業(yè)分工”。

他還舉了一個例子：

我做過最好的 Agent 系統(tǒng)，只有兩個 Agent：一個負責干活，另一個負責核查輸出是否符合嚴格標準——通過就放行，不通過就退回修改。

簡單、高效，而且確實提升了質量，因為驗證步驟能捕捉幻覺錯誤。

相反，則有網友提出，如果你的應用不需要大量分支式思考，也不依賴復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。

你應該把時間和預算都花在充分利用一次高質量 API 調用上，選擇你能負擔得起的最強模型。

尤其是在做 B2B/B2C 類生產力工具的團隊里，高度分支化的場景極其罕見，很多時候任務的關鍵反而是降低分支復雜度。

圖片

另外，也有網友認為，關鍵是明確并細化每個 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 網絡，而是更清晰的角色定義。

我們該關注的重點是：讓每個 Agent 自身更強，而不是搭建更多互相扯后腿的 Agent 網絡。

圖片

總的來說，“該不該構建多智能體”這個問題目前還是眾說紛紜。

除了Coginiton，Anthropic和LangChain都是這個話題中的贊成派，分別發(fā)過文章《How we built our multi-agent research system》和《How and when to build multi-agent systems》闡述構建多智能體系統(tǒng)的經驗和可行性。

兩家團隊最終都總結，只有當任務價值高、信息面寬且可高度并行時，多智能體的 Token “燒錢”才劃算。典型就是廣域信息研究，而大部分代碼任務還不夠“寬”。

聊到這里，或許你可能已經在心里默默數過自己項目里有幾個 Agent。

這些 Agent 是真正需要的團隊協(xié)作，還是為了炫酷的架構演示？歡迎在評論區(qū)聊聊——你見過最“離譜”的多智能體設計是什么？你又認為哪種場景下，它真的有價值？

參考鏈接：

https://www.reddit.com/r/AI_Agents/comments/1oheym9/stop_building_complex_fancy_ai_agents_and_hear/

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/