多智能体即服务是什么？

多智能体即服务，英文常写作 Multi-Agent as a Service，简称 MAaaS，是一种把多个 AI 智能体的开发、协作、运行和治理能力，以服务方式交付给企业的模式。企业按需调用或订阅，不必从零搭建底层平台，也不必自己维护每一套 Agent 的运行环境。

本文讨论企业级场景，重点是多个智能体如何分工协作并把任务做完。行业对 MAaaS 的能力要求仍在标准化过程中，本文采用一个便于判断的工作定义，先看服务交付了什么，再看企业还要承担什么。

多智能体即服务交付了什么

把 MAaaS 理解成采购几个 Agent，容易在验收时产生分歧。它交付的是一套能持续工作的组合，包括角色、协作规则、运行环境和治理机制。中国信通院联合产业界编制的 MAaaS 能力要求标准，把评估范围划分为六个能力域，分别是智能体开发、多智能体协同、多智能体评估优化、运维管理、安全保障和配套服务。这个划分可以用来核对一项服务到底覆盖了哪些环节。

交付形态可以是公有云服务、订阅制，也可以是私有化或混合部署；接入方式包括 API 和控制台。部署位置不改变 MAaaS 的服务性质，关键在谁负责平台运行、谁承担业务结果。合同里要把可用性、故障响应、数据边界、人工接管和退出机制写清楚。

单智能体为什么会遇到瓶颈

单智能体在单点问答、固定查询和简单工具调用上已经够用。任务一旦变长，问题会集中出现。中国信通院在 2025 年 3 月的一篇文章里列出几类局限，包括集中式架构容错不足、封闭系统扩展性较差、异构模型之间难以交互，以及信息不全面时容易产生认知偏差。

多智能体系统由多个独立智能体组成，每个智能体有自己的提示词、模型和工具，通过通信与协作完成任务。2024 年 8 月，Sam Rajaei 和 Guanyi Li 提出 MAaaS 概念，随后这个概念进入标准化讨论。

常见的三类角色

一种常见分工是规划、执行、验证。规划角色理解目标、拆解子任务并分配任务；执行角色调用工具完成具体动作；验证角色检查结果，发现偏差后触发返工。三类角色可以由不同模型承担，也可以按任务类型配置不同工具。

四种协作结构

多智能体的协作结构常见层级、集中、分散和混合四种。层级结构适合需要逐级审批的任务，集中结构适合由一个调度中心统一分配，分散结构适合智能体之间直接通信，混合结构则把集中调度和局部自治放在一起。选择结构时，先看任务依赖、共享状态和冲突裁决方式。

角色一多，协调成本也会上升。任务交接次数、上下文传递、冲突处理都会影响成功率和成本。多智能体适合任务本身需要分工的场景，单角色任务不需要为了形式增加 Agent 数量。

和 AaaS、Agent 平台、SaaS 的区别

这几个词经常一起出现，边界可以用交付物和运行责任来分。AaaS 指智能体即服务，交付单个智能体的能力；SaaS 指软件即服务，交付软件功能；Agent 平台则提供开发和运行 Agent 的工具。

MAaaS 可以看作 AaaS 的扩展。 AaaS 把一个智能体封装成服务，MAaaS 在它上面增加了多智能体协同、评估优化和统一运维。选择依据是任务是否需要多个角色分工，和概念新旧无关。

Agent 平台和 MAaaS 也会重叠。平台是能力底座，MAaaS 是交付方式。 服务商可能用自家平台交付 MAaaS，企业也可能采购平台后自己运营。采购时要分清买的是平台授权、Agent 开发服务，还是包含运行和治理的整体服务。

MAaaS 与 SaaS 的关系更接近叠加。SaaS 提供业务工具，MAaaS 在这些工具之上执行任务。MAaaS 项目通常还要调用企业的 CRM、ERP、数据仓库和工单系统。

工作流和 RPA 适合路径稳定的任务，MAaaS 适合需要判断、拆解和动态调整的任务。生产环境里两者经常组合，固定步骤交给工作流，异常处理交给 Agent。

哪些企业场景适合，哪些先缓一缓

适合 MAaaS 的任务通常跨两个以上系统，需要多个角色配合，处理路径会随情况变化。

• 客服升级处理。一线问答解决不了时，由诊断、方案、审批等角色接手，最后回到人工确认。
• 经营分析。取数、指标解释、异常归因和报告生成分开执行，再由验证角色核对口径。
• 营销与内容运营。人群圈选、素材生成、投放检查和效果复盘形成一条链。
• 研发支持。需求澄清、代码修改、测试和发布检查分工协作。
• 供应链异常。订单、库存、物流和供应商数据交叉判断，超出阈值时转人工。

这些场景的共同点是，单点工具能完成一段，完整任务需要有人把各段接起来。

可以先缓一缓的情况

• 单点知识问答，单 Agent 加知识库就能解决，没必要上多智能体。
• 流程固定、规则清楚，工作流或 RPA 更可控，成本也更容易算。
• 数据口径没统一、系统权限没梳理，先补数据基础，否则 Agent 只会更快地产生错误。
• 错误不可逆、又没有人工兜底，先做辅助决策，把执行权限收住。
• 任务频率很低，订阅和运维成本可能高于收益。

这份判断不替代业务评估。需要回答的是，这项任务失败一次的成本有多高，人工接管是否来得及，服务商能否给出可验证的结果。

怎么判断一项 MAaaS 服务是否成熟

评估时可以把六个能力域转成具体问题，再用一个小范围试点验证。选型阶段也可以参考 Agent 平台选型的评估维度，重点看运行、治理和交付责任，不只看功能演示。

先问五个问题

• 任务拆解和交接能否解释？要求服务商展示一次完整任务的执行轨迹，包括子任务、调用工具、交接原因和失败重试。
• 权限能否做到最小化？每个 Agent 能访问哪些数据、能执行哪些动作、哪些动作需要人工审批，要有清单。这部分可以对照 Agent 管理能力逐项确认。
• 失败后能否恢复？工具超时、模型输出错误、任务卡住时，系统能否重试、回滚或转人工。
• 效果怎么衡量？任务成功率、人工接管率、平均处理时长、返工率和单成功任务成本，要有基线对比。
• 数据和模型能否退出？对话记录、知识库、评测集和配置能否导出，换供应商时业务能否延续。

五个问题里，任何一个答不清，都会在规模化后变成运维和合规问题。

用 30 天试点验证

选一条 5 到 15 步、跨两三个系统的流程，准备一批历史任务作为对照。试点期间只跑真实任务，不用演示数据。每周记录四项指标，包括完成率、人工接管率、平均处理时长和单成功任务成本。

验收标准在试点前定好。例如完成率达到人工基线的 80%，人工接管率低于 30%，单任务成本低于人工成本，才可以进入扩展。数字按业务实际调整，关键是先有基线，再看变化。

扩展阶段再补三件事，权限分级、运行监控和版本管理。Agent 数量增加后，权限、日志和成本会先失控，瓶颈通常不在功能。

ThinkingAI 这类平台承担什么角色

MAaaS 的服务商可以是云厂商、行业解决方案商，也可以是企业级 Agent 平台。以 ThinkingAI 为例，其在 2026 年发布企业级 AI Agent 平台 Agentic Engine，提供 Agent 创建、管理和多 Agent 协作能力，支持私有化部署，企业可以在自己的数据边界内搭建智能体团队。

截至品牌资料披露，ThinkingAI 已服务全球 1500 家企业，接入 8000 多款产品。这些数据说明其企业服务经验，不直接等于某个 MAaaS 项目的效果。 选型仍要回到具体场景和验收指标。

对于数据敏感、系统复杂的企业，平台是否支持私有化、能否接入现有权限体系、是否提供运行监控和审计，比功能清单更重要。

常见问题

MAaaS 和 AaaS 是替代关系吗？

两者是扩展关系。AaaS 交付单个智能体的能力，MAaaS 增加多智能体协同、评估优化和统一运维。任务只需要一个角色时，AaaS 更简单；任务需要分工和交接时，再考虑 MAaaS。

多智能体一定比单智能体效果好吗？

不一定。多智能体增加了角色和交接，协调成本、延迟和失败点也会增加。任务需要分工时，多智能体才有优势；单角色任务用单智能体更稳定，成本也更低。

私有化部署算 MAaaS 吗？

可以算。MAaaS 描述的是服务交付方式，部署位置可以公有云、私有化或混合。关键看服务商是否承担平台运行、协作编排、监控和治理，企业是否按服务方式获得能力。

MAaaS 按 Token 还是按结果计费？

计费方式要在合同里确认，常见口径包括按调用量、按订阅或席位、按任务结果。按结果计费时，还要写清失败任务是否计费、人工接管如何计算、返工成本由谁承担。

中小企业适合用 MAaaS 吗？

看任务频率和复杂度。任务低频、流程简单，标准 SaaS 或单 Agent 更划算；任务跨系统、需要多人配合，又没有自建团队，MAaaS 可以降低起步成本。先用一个小流程试点，再决定是否扩展。

MAaaS 会取代 SaaS 吗？

目前更像叠加。SaaS 仍是业务系统和数据来源，MAaaS 在它上面执行任务。企业需要保留系统记录和权限边界，MAaaS 服务商负责智能体的运行和协作。

参考资料

• 中国信通院云大所 2025 年 1 月 MAaaS 评估说明
• 中国信通院云大所 2025 年 3 月多智能体协同研究