我们习惯把 AI 想成一个“助手”。可当任务复杂到需要调研、写作、核算、审校同时进行时，一个助手就不够用了——人类团队怎么解决这个问题？分工。多智能体（Multi-Agent）做的就是这件事：把一个聪明的个体，变成一支会协作的小队。
一、先说清楚：为什么要拆成多个
单个智能体的瓶颈，本质上是“上下文”的瓶颈。一个模型在一次任务里，要同时记住任务目标、中间结果、可用工具和历史动作。任务越长，这些信息越互相干扰，出错概率就越高。
拆成多个智能体，等于给每个角色一个更窄但更清晰的工作面：调研的只管找资料，写作的只管成文，审校的只管挑错。工作面变窄，判断就更容易做对。
另一个好处是并行。互不依赖的子任务可以同时推进，这是单线程的智能体做不到的。
二、三种常见的分工方式
目前工程上比较成熟的分工方式，大致有三类：
1. 流水线式：任务按顺序经过多个角色，像工厂的传送带。调研 → 写作 → 审校 → 定稿。简单、可控，但串行执行慢；
2. 主管式：一个“主管”智能体负责拆解任务、分派给下属、汇总结果。灵活，但主管的判断质量决定了整体上限；
3. 对等式：多个智能体地位平等，各自提出方案，通过讨论或投票收敛。适合需要多视角的问题，比如风险评估、方案比选，但成本最高。
大多数生产系统用的是前两种，或它们的混合。
三、协作是怎么发生的：共享、辩论与仲裁
多智能体真正的难点，不在“有几个”，而在“怎么合”。
共享：所有角色读写同一份任务状态（进度、结论、待办）。好处是信息一致，坏处是容易互相污染。
辩论：让多个角色就同一问题独立作答，再比对分歧。分歧大的地方，往往就是容易出错的环节。
仲裁：当角色之间无法达成一致时，需要一个裁判——可以是规则，可以是更强的模型，也可以是人。值得注意的是，辩论和仲裁都会显著增加调用次数和延迟，用不用，取决于这个任务的容错率有多低。
四、代价：多智能体不是免费的
这是最容易被忽略的部分。多智能体带来三种成本：
通信成本：角色之间传递的信息越多，Token 消耗越大，延迟也越长。有些团队最后发现，多智能体的开销是单体的三到五倍。
错误放大：一个角色错了，错误会顺着流水线传下去，后面的角色甚至会把错误“合理化”。链条越长，纠错越难。
编排复杂度：角色怎么定义、消息怎么格式化、失败了怎么重试——这些工程问题，往往比选哪个模型更消耗人力。
还有一点要说在前头：多智能体并不必然比单体更强。如果任务本身很线性，强行拆成五个角色，只会把简单问题复杂化。
五、什么时候该用，什么时候别用
判断标准其实很简单，看两个维度：任务能不能拆，以及错了代价大不大。
适合用的场景：任务可分解、子任务之间耦合低、容错要求高的场景——比如长文档的研报撰写、多来源信息核对、复杂方案的比选。
不适合用的场景：任务短、顺序依赖强、对延迟敏感的场景——一句话就能办完的事，派一个团队只会更慢、更贵。
一个务实的做法是：先用单体跑通，把它在哪些环节出错记录下来；等错误模式稳定了，再针对性地把这些环节拆出去。这样拆，才拆得有价值。
结语
多智能体不是“更多智能”的同义词，它是一种用组织复杂度换取任务可靠性的工程手段。想清楚要拆什么、为什么拆、拆完怎么合——这三个问题答不上来，多一个智能体，只会多一份麻烦。
THE END