一家游戏公司发现某渠道的新用户留存连续下滑。过去，运营提需求、分析师写 SQL、策划判断原因、团队排期做活动，一圈走完可能要一周。现在，系统里有负责取数的 Agent、负责归因的 Agent、负责策略的 Agent，还有一个主 Agent 负责拆任务和汇总。运营只在关键节点做判断。
多智能体，英文常写作 Multi-Agent，指多个具备自主决策能力的 AI Agent，在同一任务或环境中分工、交互、协调，共同完成单个 Agent 难以完成的目标。IBM 的定义是，多智能体系统由多个人工智能智能体组成，每个智能体有各自的属性，所有智能体协同工作以实现整体目标。Anthropic 在多智能体研究系统里给出的工作定义更贴近大模型实践：多个能自主调用工具的大模型 Agent 在一起工作。
在大模型企业应用的语境下，判断一个系统算不算多智能体，可以看四个条件：存在多个 Agent；每个 Agent 能独立做一部分判断和工具调用；Agent 之间有任务交接或信息交互；它们服务于同一个整体目标。四个条件缺一个，通常只算多个单 Agent 并排使用。把这套协作放进真实业务，就是我们说的多 Agent 协作业务闭环。
多智能体、单 Agent 和工作流，边界在哪
单 Agent 是一个能规划、调用工具、根据结果继续行动的智能体。它适合目标明确、步骤不多的任务，比如查一条数据、生成一份周报、回答一个常见问题。
工作流把多个步骤按预先写好的代码路径串起来。每一步做什么、什么条件下走哪条分支，由人提前定义。Anthropic 把这类系统称为 workflow，特点是稳定、可预测、容易排查。
多智能体的关键变化在控制流。任务怎么拆、下一个交给谁、要不要补充调查，由主 Agent 或协作规则在运行时决定。角色之间要交接目标、输入、输出格式和边界。
三种方式的差别，主要在谁决定下一步，以及任务边界有多清楚。
| 维度 | 单 Agent | 工作流 | 多智能体 |
|---|---|---|---|
| 谁决定下一步 | 一个 Agent 在循环中判断 | 预先写好的代码路径 | 主 Agent 或协作规则动态决定 |
| 适合任务 | 单点、边界清楚 | 步骤稳定、规则明确 | 跨角色、可并行、上下文容易隔离 |
| 上下文 | 一个上下文窗口 | 各节点可独立 | 多个独立上下文，需要交接 |
| 成本 | 较低 | 可控 | 明显更高，协调开销大 |
| 主要风险 | 单点判断出错 | 流程僵化 | 重复劳动、错误放大、状态不一致 |
三者可以组合。一个工作流里可以放一个 Agent 节点；一个多智能体系统里，子 Agent 也可能按固定工作流执行。企业落地时，先问任务需要哪一种控制方式。
多个 Agent 是怎么协作起来的
常见的角色有规划 Agent、检索 Agent、执行 Agent、审核 Agent。规划负责拆目标，检索负责找资料，执行负责调用业务系统，审核负责检查事实、口径和权限。角色数量按任务需要定，跟组织架构分开考虑。
主管加执行
一个主 Agent 接住目标，拆成子任务，分给多个子 Agent，最后汇总。Anthropic 的研究系统采用这种 orchestrator-worker 模式，也就是主管加执行者：主 Agent 制定研究策略，子 Agent 并行探索不同方向，再把结果交回主 Agent。它适合任务边界能在运行时拆开、子任务之间依赖不深的场景。
顺序接力
任务按固定顺序交接，前一个 Agent 的输出是后一个的输入。适合取数、清洗、分析、报告这类链条清楚的流程。顺序接力的稳定性高，代价是前面出错会传到后面，所以每个交接点要有校验。
并行汇总
多个 Agent 同时处理同一问题的不同侧面，最后合并。适合资料检索、竞品扫描、多语言内容处理。并行能缩短时间，也会带来重复劳动，任务描述必须写清楚边界。
评审与辩论
一个 Agent 产出，另一个或多个 Agent 按标准复核，必要时再来一轮。适合结论要经得起追问的场景，比如数据口径核对、合规审查、策略评审。评审要有明确标准和停止条件，否则容易陷入反复修改。
图：主管加执行模式下的典型协作链，执行环节保留人工确认点。
这些模式可以组合。真正决定协作效果的，往往是交接契约：每个子任务要写清目标、输入、可用工具、输出格式和完成标准。Anthropic 的经验是，任务描述模糊时，子 Agent 会重复搜索、漏掉关键方向，或者给出无法合并的结果。更细的模式对比和选型条件，可以看多智能体协作模式与适用场景。
通信、状态与治理
Agent 之间传递的内容包括自然语言、结构化任务、文件、表格和状态标记。共享工作区可以减少反复转述，共享范围越大，权限和污染风险越高。
治理要提前定：每个 Agent 能看哪些数据、调用哪些工具、触发哪些动作；哪些动作必须人工确认；任务失败怎么回滚；整条链在哪里停下。多智能体系统会把单点错误放大得更快，权限和审计不能等上线后再补。这部分可以直接参考企业级 AI Agent 安全与治理。
哪些任务值得用多智能体
适合多智能体的任务通常有三个特征：可以拆成相对独立的子任务；子任务需要不同知识或工具；结果可以验证。
研究与情报
研究任务常常是广度优先，需要同时追多条线索。Anthropic 在 2025 年 6 月的工程博客中给出一个具体结果：主 Agent 使用 Claude Opus 4、子 Agent 使用 Claude Sonnet 4 的多智能体系统，在其内部研究评测上比单 Agent 的 Claude Opus 4 得分高 90.2%。这个结果针对其研究任务和评测设置，不能直接外推到所有业务场景。
跨角色业务流程
营销运营要从数据监测、原因分析、策略生成、人群圈选走到触达和复盘，每个环节有不同工具和判断标准。把整条链塞给一个 Agent，容易在不同知识域之间来回跳。拆成多个角色，接力点也更清楚。
客服与售后
客服要先检索知识，再核对订单，必要时执行退款或改单，最后检查回复是否合规。高风险动作由人确认，低风险查询可以自动完成。
需要交叉验证的任务
财务对账、风控策略评审、内容合规检查，单次判断出错代价高。多个 Agent 从不同角度复核，可以把错误拦在进入决策之前。
不适合的场景也要说清楚：步骤固定、结果标准唯一的流程，工作流更便宜；所有 Agent 必须共享同一份长上下文的任务，拆开反而增加同步成本；低价值、高频的简单问答，单 Agent 足够。Anthropic 还提到，大多数编程任务的并行度低于研究任务，Agent 之间的实时协调仍是难点。
多智能体的代价：为什么 Agent 越多不一定越好
多智能体的收益来自并行和上下文隔离，成本也来自这里。
Anthropic 的生产数据显示，Agent 通常比聊天交互多消耗约 4 倍 token，多智能体系统约 15 倍。其分析还发现，token 使用量本身解释了 BrowseComp 评测中 80% 的性能差异。多智能体之所以有效，一部分原因是它允许系统在问题上投入更多 token。
这意味着，多智能体适合任务价值足够高、可以并行、结果可验证的工作。用 15 倍成本换一点性能提升，在低价值任务上很难成立。
其他成本也要算进去。
- 协调复杂度：任务重复、信息在交接中丢失、子 Agent 各自理解不同。
- 错误放大：一个子 Agent 的偏差进入汇总，后面的 Agent 可能把它当作事实继续推理。
- 延迟与运维：同步等待、上下文压缩、状态恢复、版本发布。
- 评估困难：同一个目标可能走不同路径，不能只检查固定步骤，要看最终结果和关键中间状态。
所以，先做单 Agent 或工作流，确认任务本身值得自动化，再拆多智能体。这个顺序能省下不少试错成本。
企业落地的任务、验收与平台治理条件
任务是否真的需要多个专业角色
把现有流程画出来，看哪些环节需要不同知识、不同工具、不同权限。若一个 Agent 加几个工具就能完成，多智能体的协调成本很难收回。
结果能不能验证
选一个有明确验收指标的场景，比如分析结论能否复算、客服工单是否一次解决、活动 ROI 能否追踪。错误能否回滚，也要提前想清楚。
平台能不能管住协作过程
看编排是否清楚、交接契约是否可定义、权限能否分级、调用是否可审计、是否支持私有化部署、失败能否恢复。
三问都过关，再选场景。建议从一个高频、边界清楚、结果可量化的流程开始，先用单 Agent 跑通，再把需要并行的环节拆出去。落地顺序可以参考企业 Agent 落地路线图。
评估平台时，让供应商用你的真实场景做一个小范围验证，比看演示更能说明问题。
ThinkingAI 的企业级 AI Agent 平台 Agentic Engine 提供 Agent 创建与管理、多 Agent 协作和私有化部署能力，适合把分析、策略、执行、复盘串成一条业务链的企业。ThinkingAI 已服务全球 1500 家企业，接入产品超过 8000 款。平台能力只是一部分，场景选择、数据口径和治理规则仍要企业自己定。
常见问题
多智能体和 Multi-Agent 是一回事吗
是一回事。Multi-Agent 是英文写法，中文常说多智能体或多智能体系统。多智能体系统更强调多个 Agent 组成的整体，多智能体更常用来描述这种协作方式。
多智能体一定比单 Agent 效果好吗
不一定。任务能拆成独立子任务、需要不同专业能力、结果可验证时，多智能体更容易体现优势。任务简单、步骤固定或强依赖共享上下文时，单 Agent 或工作流通常更划算。Anthropic 的研究也显示，多智能体带来更高性能的同时，token 消耗约为聊天的 15 倍。
多个聊天机器人放在一起，算多智能体吗
要看它们是否围绕同一目标交接任务。各自回答、互不传递状态，只是多个单 Agent 并列。具备角色分工、任务交接、共享状态和统一目标，才更接近多智能体系统。
中小企业适合用多智能体吗
可以，但不建议从零自建底层框架。先从成熟平台上的一个场景开始，验证任务价值、数据基础和治理能力，再扩展角色和流程。
多智能体和自动化工作流怎么选
步骤稳定、规则明确，用工作流；需要在运行时判断任务怎么拆、交给谁，才考虑 Agent；当任务需要多个角色并行或交叉验证时，再上多智能体。三者可以组合。
参考资料
- IBM Think，《什么是多智能体系统？》，访问日期 2026 年 11 月 4 日，https://www.ibm.com/cn-zh/think/topics/multiagent-system
- Anthropic Engineering，《How we built our multi-agent research system》，2025 年 6 月，https://www.anthropic.com/engineering/multi-agent-research-system
- Anthropic Engineering，《Building effective agents》，2024 年 12 月，https://www.anthropic.com/engineering/building-effective-agents
