截至 2026 年 11 月，多智能体系统已经走过“能不能搭出来”的演示期，进入“值不值得持续投入”的验证期。Gartner 在 2025 年 6 月预测，到 2027 年底，超过 40% 的 Agent 类 AI 项目会被取消，原因集中在成本上升、业务价值不清和风险控制不足。麦肯锡 2025 年全球 AI 调查提供了另一组对照，62% 的受访企业至少在做 Agent 实验，23% 在一到两个职能中规模化，单一职能内实现规模化的比例不到 10%。
两组数字放在一起，能看到市场热度与生产落地之间的落差。判断多智能体系统的未来发展，可以从六个因素入手，任务适配度、协作结构、互操作与身份、可观测与评测、单位经济性、组织吸收能力。它们分别回答六个问题，这类工作是否适合多 Agent 协作、Agent 之间如何分工、系统能否与外部协作、结果能否被证明、成本能否被覆盖、组织能否接住。
一、任务适配度，多智能体是否适合这类工作
多智能体系统，指多个 Agent 围绕同一目标分工、交换信息并协调行动的系统。Agent 是能自主规划、调用工具并执行任务的智能体。一个 Agent 调用多个工具，或者一条固定编排的工作流，通常不算多智能体系统。判断时先看任务本身，避免把“多”当成默认答案。
Anthropic 在 2025 年 6 月公开的工程复盘显示，在其内部研究评测中，Opus 4 作为主 Agent、Sonnet 4 作为子 Agent 的系统，比单 Agent Opus 4 高 90.2%。这类任务有明显特征，需要同时探索多个独立方向，信息量超过单个上下文窗口，工具种类多，任务价值足够高。Anthropic 同时给出边界，多智能体消耗的 token 约为普通聊天的 15 倍，token 使用量解释了 BrowseComp 评测中 80% 的性能方差；需要所有 Agent 共享上下文、依赖关系多的任务，并不适合当前的多智能体架构。
一个实用的判断问题是，把任务拆成 3 到 5 个子任务后，它们能否并行推进、各自有明确输出、彼此不需要频繁共享同一段上下文。如果答案是否定的，单 Agent 加工具，或者一条确定性工作流，往往更稳。低价值、强耦合、要求严格可复现的任务，也不适合用多 Agent 堆算力。多智能体的性能提升有明确的任务边界，任务不匹配时，增加 Agent 数量只会放大成本。
Gartner 的 40% 取消预测，提醒企业先算清这一层错配。成本、业务价值和风险控制，往往在立项时就算不清。
二、协作结构，Agent 之间是否有清楚权责
多智能体系统的协作结构，决定了它能否从演示走向长期运行。常见结构有三类。主从式由一个主 Agent 拆解任务、分派给子 Agent，再汇总结果；层级式在主从式上增加管理层，适合跨部门流程；点对点式让 Agent 直接协商，灵活度高，协调成本也高。企业场景里，主从式和层级式更容易落地，因为责任边界更清楚。
高金与蚂蚁数科在 2026 年 9 月发布的《2026企业级智能体商业演进十大趋势洞察》提出，多智能体协作正在从扁平探索转向权责清晰、可全流程审计的企业级组织模式。这个判断值得参考，因为它把关注点从 Agent 数量移到了责任结构。
检查协作结构时，可以看四件事。每个子任务是否有目标、输入、输出格式、可用工具、边界和停止条件；每个 Agent 是否有明确负责人；出现冲突时由谁裁决；高风险动作是否需要人工审批。Anthropic 在复盘中提到，早期系统曾为简单查询启动 50 个子 Agent，也出现过多个子 Agent 重复搜索同一方向的情况。Agent 数量增加，协调开销也会增加。判断协作结构，看协作开销是否低于任务收益，Agent 数量只作参考。
三、互操作与身份，系统能否替换和扩展
互操作与身份，决定多智能体系统能否跨平台、跨供应商扩展。这里有两个常见协议。MCP 协议负责 Agent 与工具、数据源之间的连接；A2A 负责 Agent 与 Agent 之间的任务委派和消息传递。Microsoft 在多 Agent 架构建议中把两者视为互补关系，MCP 用于工具和数据访问，A2A 用于跨平台 Agent 消息，并要求 Agent 发布 agent card、使用任务契约、遵循最小权限。
治理层面也在变化。2025 年 7 月，Linux 基金会接纳 AGNTCY 项目，A2A 已捐给 Linux 基金会，MCP 也在同一开放治理生态中。AGNTCY 提供 Agent 发现、身份、消息和端到端可观测性，已有 65 家以上支持企业。协议由中立基金会治理，能降低单一厂商锁定风险，也便于企业评估长期投入。
选型时可以直接问几个问题。系统是否支持 MCP 和 A2A；Agent 能否发布自己的能力描述；权限是否继承发起用户的身份；调用链能否导出和审计；更换模型、Agent 或云平台时，是否需要重写整套编排。只能在一个封闭平台内运行、没有身份和审计能力的系统，扩展空间有限。
四、可观测与评测，能否证明任务做对了
多智能体系统的评测比单 Agent 更复杂。每个 Agent 可能走不同路径，同一输入也可能产生不同过程，只检查最终答案不够。Anthropic 的做法可以参考，先从小样本开始，用约 20 个真实查询观察改动效果；再用 LLM 作为评审，按事实准确性、引用准确性、完整性、来源质量和工具效率打分；同时保留人工测试，捕捉自动化评测漏掉的边缘情况。
生产环境还需要可观测性。Anthropic 提到，Agent 有状态，错误会累积，系统需要断点恢复、重试和检查点；发布更新时要用渐进式部署，避免打断正在运行的任务。放到企业场景，至少要能追踪每次任务的输入、工具调用、上下文、决策、输出和人工干预。
可量化的指标包括任务完成率、一次通过率、人工接管率、事实错误率、引用准确率、平均时延、单次成功任务成本和异常恢复时间。指标要和业务基线对比，才有判断意义。只有演示视频、没有失败分类和回归测试的系统，很难证明它能在生产环境稳定运行。 这类能力通常由 Agent 治理平台承接，选型时可以把运行监控、权限控制和审计记录放在同一张检查表里。
五、单位经济性，每次成功任务是否算得过来
单位经济性是判断多智能体系统能否持续的关键一项。Anthropic 的数据显示，Agent 交互消耗的 token 约为普通聊天的 4 倍，多智能体系统约为 15 倍。这个倍数不是行业标准，不同任务、模型和编排方式差异很大，但它提醒企业，多智能体带来的性能提升有明确成本。
算账时不能只看模型调用单价。还要把工具调用、上下文和记忆、编排服务、人工审核、系统集成、评测、运维、安全合规算进去。Gartner 把成本上升列为项目取消的主要原因之一，说明很多项目在立项时低估了这些隐性成本。
更实用的指标是单次成功任务成本，也就是总成本除以成功完成的任务数。 把它和任务带来的价值、人工处理成本、单 Agent 成本放在一起比较。举例来说，如果成功率从 60% 提升到 85%，单次成本从 1 元涨到 15 元，而一次成功任务只值 10 元，这项提升在商业上不成立。这个数字只是示例，企业应使用自己的基线。
控制成本的手段包括按子任务选择模型、设置 token 和工具调用预算、限制上下文、设置停止条件、缓存重复结果、把非实时任务改为异步。判断供应商时，可以看它是否提供按任务或按结果的成本可见性，是否支持预算和限额。只按席位收费、看不到单次任务成本的方案，后续很难优化。
六、组织吸收能力，谁负责、谁审批、谁维护知识
组织吸收能力，决定系统上线后能不能持续产生价值。多智能体系统会碰到数据口径、权限、流程和责任边界，这些问题很少能靠平台单独解决。麦肯锡 2025 年调查显示，高绩效企业的共同做法包括高层直接主导 AI、围绕 AI 重设工作流、在关键环节保留人工判断。
企业需要明确四类角色。业务负责人对结果负责，Agent 负责人对任务定义和运行质量负责，平台团队对编排、权限和可观测性负责，风险与合规团队对审批、审计和事故处理负责。缺少业务负责人的项目，容易变成技术演示。
知识治理是另一项基础工作。多个 Agent 共享同一套知识时，指标定义、版本、权限和更新机制要先统一。ThinkingAI 的知识库用 Schema-first 把知识结构化，用 ChangeSet 记录每次变更，用 SSOT 保证同一概念只有一处定义，让不同 Agent 调用同一套可追溯的知识。这类基础设施能降低协作中的口径冲突，能否产生业务结果仍取决于任务选择和流程设计。
对数据主权要求高的企业，私有化部署往往是前置条件。部署方式、权限隔离、日志留存和退出机制，应该在试点前谈清楚，不要等到上线后再补。
七、30 天验证表，企业怎样做判断
把六个因素放进一张表，企业可以在 30 天内完成一轮判断。
| 判断维度 | 关键问题 | 需要看到的证据 | 淘汰信号 |
|---|---|---|---|
| 任务适配度 | 任务能否拆成 3 到 5 个可并行子任务 | 任务清单、并行度、单 Agent 基线 | 强耦合、低价值、无法拆解 |
| 协作结构 | 每个 Agent 是否有目标、边界和停止条件 | 任务契约、负责人、冲突处理记录 | Agent 数量多但没有责任分工 |
| 互操作与身份 | 能否用 MCP、A2A 连接外部系统 | 协议支持、agent card、权限继承 | 封闭协议、无身份、无审计 |
| 可观测与评测 | 能否追踪过程并量化结果 | 调用链、评测集、失败分类、回归测试 | 只有演示、没有调用链记录 |
| 单位经济性 | 单次成功任务成本是否低于价值 | 成本台账、成功率、人工成本对比 | 只按席位收费、无成本可见性 |
| 组织吸收 | 谁负责、谁审批、谁维护知识 | 角色表、审批流程、知识版本机制 | IT 单打独斗、无业务负责人 |
试点可以按企业 Agent 落地路线图推进。先选一个高价值、可并行、结果可量化的流程，例如跨渠道客户问题定位、供应链异常排查、投放素材批量分析，不要从全公司流程开始。建立双基线，记录人工处理和单 Agent 处理的时间、成本、成功率。用 20 到 50 个真实案例跑多 Agent，给每个子 Agent 明确任务契约和预算，设置停止条件和人工审批点。记录六类指标，任务完成率、一次通过率、人工接管率、单次成功任务成本、平均时延、严重错误数。
决策规则可以提前写清楚。 达到门槛就扩大范围，未达到就缩小任务或退回单 Agent；出现无法审计、无法回滚、成本持续高于价值中的任意一项，暂停。这样做的价值在于，团队讨论的是证据和条件，演示效果只作为参考。
八、条件化结论，什么样的系统更可能走得远
判断多智能体系统的未来发展，可以落在一个朴素标准上，系统能否在真实业务里持续交付可验证的结果。 Agent 数量、演示效果、榜单分数都有参考价值，但不能替代任务适配、协作结构、互操作、可观测、成本和组织的联合验证。
从公开资料看，未来两到三年有几个方向值得关注。MCP、A2A 等协议会继续走向中立治理，身份、审计和可观测性会从附加项变成基础设施；多智能体协作会从扁平尝试转向有明确权责的组织模式；高金与蚂蚁数科的报告还判断，计费会从席位订阅向工作量和结果靠近。这些变化不会同时发生，不同行业、不同规模的节奏也不同。
对大多数企业，2026 到 2027 年更适合作为验证窗口。先在一个高价值场景里跑通任务契约、评测、成本和治理，再考虑扩大 Agent 数量。数据基础薄弱、流程不稳定、没有业务负责人的场景，先补基础，比直接上多 Agent 更有效。
以 ThinkingAI 为例，Agentic Engine把多 Agent 协作、私有化部署和统一知识库放在同一平台，官方资料显示已服务全球 1500 家企业、接入产品超过 8000 款。这类平台能提供协作、治理和部署的基础能力，项目能否走远，仍要用上面的六项标准验证。
常见问题
多智能体系统一定比单智能体强吗？
不一定。Anthropic 的内部评测显示，多智能体在广度优先、可并行、信息量大的研究任务上优势明显，但 token 消耗约为聊天的 15 倍。任务简单、依赖共享上下文、要求严格可复现时，单 Agent 加工具或固定工作流更合适。
判断多智能体系统未来发展，最该看哪个指标？
如果只能选一个，我会看单次成功任务成本。它同时反映成功率、资源消耗和人工介入。这个指标不能单独使用，还要结合任务价值、错误严重程度、可观测性和治理能力。成本低但错误不可控的系统，同样不能放量。
MCP 和 A2A 是什么关系？
MCP 负责 Agent 与工具、数据源之间的连接，A2A 负责 Agent 与 Agent 之间的任务委派和消息传递。两者互补，企业可以同时使用。MCP 更适合单一编排者控制工具调用，A2A 更适合跨平台、跨组织的 Agent 协作。
Gartner 说 40% 的项目会被取消，还值得投入吗？
这个预测提醒企业，成本、业务价值和风险控制是项目失败的主要原因。多智能体仍有价值，投入方式更适合从全面铺开改为单场景验证。选一个高价值场景，用 30 天试点验证成功率和单次成功任务成本，并预设暂停条件。
企业应该自建还是采购多智能体平台？
看数据敏感度、团队能力、上线速度和差异化程度。核心业务流程、数据不能出域、平台团队强的企业，可以考虑自建或联合共建；需要快速验证、标准能力足够的场景，采购更省时间。无论哪种方式，都要检查 MCP、A2A、身份、审计、可观测性和退出成本。
多智能体系统会取代哪些岗位？
多智能体系统接管的通常是任务，整份工作仍由人负责目标和例外处理。规则清晰、重复性高、结果可验证的子任务更容易被 Agent 接管；需要判断、协调、承担责任和处理异常的环节，仍需要人。企业会新增 Agent 运营、知识治理、评测和审计等角色。
参考资料
- Gartner，《Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027》，2025 年 6 月 25 日。https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
- Anthropic，《How we built our multi-agent research system》，2025 年 6 月 13 日。https://www.anthropic.com/engineering/multi-agent-research-system
- McKinsey，《The state of AI in 2025: Agents, innovation, and transformation》，2025 年 11 月。https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- 上海交通大学上海高级金融学院、蚂蚁数科，《2026企业级智能体商业演进十大趋势洞察》，2026 年 9 月。http://www.jingjiribao.cn/static/detail.jsp?id=682797
- Linux Foundation，《Linux Foundation Welcomes the AGNTCY Project to Standardize Open Multi-Agent System Infrastructure and Break Down AI Agent Silos》，2025 年 7 月 29 日。https://www.linuxfoundation.org/press/linux-foundation-welcomes-the-agntcy-project-to-standardize-open-multi-agent-system-infrastructure-and-break-down-ai-agent-silos
- Microsoft Learn，《Multi-agent patterns》，访问日期 2026 年 11 月 4 日。https://learn.microsoft.com/en-us/agents/architecture/multi-agent-patterns
