多智能体模型是一种系统设计思路，由多个智能体协同完成任务。每个智能体有相对独立的角色、上下文和工具，通过分工、通信和结果校验，把一个复杂目标拆成若干可执行的部分。它既可以由同一个大模型扮演多个角色，也可以让不同模型、知识库和工具各管一段。英文资料里常写作 multi-agent model，部分中文资料也会直接使用 multiagent模型 这一写法。
企业语境里讨论的多智能体模型，多数指基于大语言模型的多智能体系统。学术领域的多智能体系统研究起步更早，通常追溯到20世纪80年代末的分布式人工智能。中国移动研究院团队在2025年5月发表于科普中国的文章里梳理过这段脉络，并指出大语言模型正在改变智能体之间的通信和协作方式。强化学习领域也有多智能体研究，关注多个策略模型在共享环境中学习协作或竞争，相关应用包括自动驾驶、无人机编队和智能制造。
多智能体模型指什么
把概念拆开，会更容易看清边界。
多智能体模型描述一组智能体如何组织，模型权重只是其中一个组成部分。它通常具备三个条件：
- 有多个可独立决策的智能体，各自承接不同角色或子任务；
- 智能体之间有明确的通信、交接或协调机制；
- 所有智能体围绕同一个整体目标工作，并对结果负责。
缺少其中任何一个条件，更接近单智能体加工具，或者固定工作流。
在基于大模型的实现里，一个智能体通常由模型、系统提示、可用工具、记忆和权限边界组成。多智能体模型会把这些要素分配到不同角色上。比如规划智能体负责拆任务，检索智能体负责找资料，执行智能体负责调用系统，审核智能体负责检查结果。角色可以由同一个模型实例化，也可以使用不同模型。
多智能体模型研究的是一组智能体如何分工与协作，并不等同于某一个更大的模型。
它和单智能体、工作流有什么区别
单智能体在一个对话循环里处理目标，遇到子任务时自己调用工具。固定工作流把步骤提前写好，系统按顺序执行。多智能体模型则把任务分给多个智能体，由它们各自决策并交换结果。
| 对比项 | 单智能体 | 固定工作流 | 多智能体模型 |
|---|---|---|---|
| 任务路径 | 一个智能体边做边定 | 提前编排，按步骤走 | 多个智能体分头决策再汇合 |
| 上下文 | 共用一个上下文窗口 | 各步骤按需传递 | 每个智能体可拥有独立上下文 |
| 适合任务 | 范围清楚、工具不多的任务 | 步骤稳定、规则明确的任务 | 可拆分、可并行、工具多样的任务 |
| 主要成本 | 模型调用和工具调用 | 开发与维护流程 | token、协调和治理成本 |
这张表只说明典型差异。实际系统经常混用三种方式，多智能体模型内部也可以包含固定工作流。
单智能体和多智能体之间没有绝对的高低关系。任务简单时，单智能体路径短、成本低、容易排查。任务需要同时探索多个方向，或者单个上下文装不下所有信息时，多智能体的分工才有价值。
多智能体任务如何运转
以一份跨部门经营分析报告为例，可以看清一次典型的任务流转。
主控智能体先理解目标，确认报告要回答的问题、时间范围、业务口径和交付格式，再把任务拆给几个子智能体。数据查询智能体负责取数，指标口径智能体负责核对定义，舆情感知智能体负责收集外部信息，撰写智能体负责组织报告，审核智能体负责检查数据和结论是否一致。
图：多智能体任务分工与流转示意，实际执行顺序会随任务调整。
子智能体执行时会各自调用工具，使用自己的上下文，只把压缩后的结果交回主控智能体。主控智能体判断信息是否足够，缺什么就补充派发，够了就进入汇总和校验。高风险动作，比如对外发送报告或修改生产数据，通常需要人工确认。
这套流程有三种常见组织方式：
- 编排者-执行者：一个主控智能体拆任务，多个子智能体并行执行。Anthropic 的研究系统采用这种结构。
- 层级式：主控下面再设中层协调者，适合任务分支较多的场景。
- 对等式：智能体之间直接对话、协商或评审。AutoGen 这类框架强调用多智能体对话来组织应用。
通信层也在标准化。MCP 负责把工具和数据接给模型，A2A 协议面向智能体之间的发现与协作。协议解决连接问题，权限、数据边界和责任归属仍要由企业自己定义。
多智能体任务能否跑稳，取决于任务拆分、上下文隔离和结果校验，智能体数量本身并不保证效果。
多智能体为什么能处理复杂任务
多智能体的优势，来自把一个大问题拆成几个可以同时推进的小问题。
每个子智能体拥有独立上下文窗口，只需要关注自己那块任务，信息来源更集中，推理时受到的干扰更少。多个子智能体并行探索，可以覆盖更宽的资料范围。不同角色使用不同工具和提示，也减少了单一路径带来的遗漏。
Anthropic 在2025年6月公开的工程复盘里给出了一组数据。其研究系统采用主控加子智能体的结构，主控使用 Claude Opus 4，子智能体使用 Claude Sonnet 4，在内部研究评测中比单智能体 Claude Opus 4 高出90.2%。他们还发现，在 BrowseComp 评测中，token 使用量单独解释了80%的性能差异。这组提升伴随更高的 token 消耗，具体代价在下一节展开。
这组数字有明确的适用边界。它来自研究型任务，这类任务方向多、需要并行探索、单个上下文容易装不下。Anthropic 也指出，多智能体并不适合所有领域，需要所有智能体共享同一上下文、或者智能体之间依赖很强的任务，目前并不合适。
代价和局限在哪里
多智能体的第一项成本是 token。Anthropic 的数据显示，普通智能体使用的 token 约为聊天交互的4倍，多智能体系统约为15倍。任务价值不够高，这笔开销很难被结果覆盖。
第二项成本是协调复杂度。智能体越多，任务边界、交接格式、状态保存和失败重试就越难设计。Anthropic 的早期版本曾给简单查询派出50个子智能体，或者让多个子智能体重复搜索同一方向。一个子智能体的错误输出，可能被主控智能体当成事实继续汇总，错误会沿着链路放大。
第三项成本是排查难度。多智能体系统的运行路径不固定，同一个输入可能走出不同路线。日志、追踪和评测不完整时，团队很难判断问题出在模型、工具、提示还是任务拆分。
还有权限和安全问题。多个智能体接入了不同系统和数据，身份、最小权限、审计记录和人工确认需要同步设计。企业架构研究里提到过一个风险，智能体数量无序扩张，会重复微服务时代出现过的碎片化和运维负担。
多智能体适合高价值、可并行、结果可验证的任务；简单任务和强依赖任务，用单智能体或固定工作流通常更划算。
企业什么时候值得用多智能体模型
可以从五个问题开始判断：
- 任务能否拆成相对独立的子任务，并且可以并行推进？
- 不同子任务是否需要不同的数据和工具权限？
- 不同子任务是否需要不同的验收标准，比如取数看准确性，报告看完整性？
- 单个上下文窗口是否经常装不下所需信息？
- 任务价值是否足以覆盖多出来的 token、延迟和治理成本？
前三个问题回答是，说明分工有业务依据。第四个问题回答是，说明上下文隔离能带来实际收益。第五个问题回答是，项目才有持续运行的经济基础。
如果任务步骤固定、答案唯一、权限边界清楚，固定工作流更合适。如果任务范围不大，单智能体加几个工具就能完成，增加角色只会拉长链路。Anthropic 在工程复盘中提到，多数编码任务可并行的部分少于研究任务，智能体之间实时协调的能力也还在完善。
准备试点时，可以选一个业务价值清楚、结果可验证、动作可回滚的场景，先明确负责人、数据范围、工具权限和验收标准。先跑单智能体版本，记录它在哪些环节卡住，再判断是否需要增加角色。多智能体是解决特定协作问题的手段，起步就铺开一套复杂组织，失败成本会很高。
ThinkingAI 的企业级 AI Agent 平台 Agentic Engine 面向这类协作需求，支持企业创建和管理多个 Agent，提供多 Agent 协作能力和私有化部署，已服务全球1500家企业、接入8000多款产品。它的企业知识库把指标口径、业务规则和分散的文档知识整理成统一知识，供不同 Agent 共用，帮助减少多个 Agent 各自理解、口径不一致的问题。对准备从单智能体走向多智能体的企业，这类平台能力可以作为评估方向之一。
常见问题
多智能体模型和多智能体系统是一回事吗
日常交流里经常混用。多智能体系统通常指由多个智能体组成的整体，多智能体模型更多指这套系统的组织方式和协作结构。讨论企业落地时，两者大多指向同一类方案。
多智能体一定比单智能体效果好吗
不一定。它在可并行、上下文需求大、工具多样的任务上更有优势。简单任务、强依赖任务用单智能体或固定工作流更稳、更省。Anthropic 的90.2%提升也只针对其内部研究型评测，不能直接外推到所有业务。
多智能体需要多个大模型吗
不需要。可以让同一个模型扮演不同角色，也可以让不同模型分别承担规划、执行和审核。角色、工具、知识和权限的隔离，比模型数量更影响协作效果。
中小企业适合用多智能体吗
可以，但更适合从单智能体加工具开始。先确认任务可拆分、结果可验证、成本可接受，再增加角色。企业规模小、流程短时，多智能体增加的协调成本可能高于收益。
参考资料
- 中国移动研究院团队，《多智能体系统：从起源到 LLM 赋能，未来还有多少可能？》，科普中国，2025年5月。https://cloud.kepuchina.cn/h5/detail?id=7319387629930004480
- Anthropic，《How we built our multi-agent research system》，2025年6月。https://www.anthropic.com/engineering/multi-agent-research-system
- Wu Q. 等，《AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation Framework》，arXiv，2023年。https://arxiv.org/abs/2308.08155
- 《Designing Intelligent Enterprise Agents: A Capability-Aligned Multi-Agent Architecture》，arXiv，2026年。https://arxiv.org/abs/2605.08258
