# How we built our multi-agent research system

[秘塔课程](https://metaso.cn/s/shfoCj0)

## 多智能体系统的益处：应对复杂性

* **研究问题的开放性**
    难以预先确定步骤，动态且依赖路径。
* **人类研究模式**
    根据发现不断调整方法，探索新线索。
* **AI 智能体的优势**
    灵活性、自主决策、多轮交互。
* **线性流程的局限性**
    无法处理复杂、动态的研究任务。
* **结论**： 多智能体系统更适合处理开放性、复杂的研究问题

## 多智能体系统的益处：压缩与扩展

* **搜索的本质：压缩**
    从海量数据中提炼关键信息。
* **子智能体的作用**
    并行操作，各自独立探索，减少路径依赖。
* **关注点分离**
    不同的工具、提示和探索轨迹，避免重复劳动。
* **集体智能的威力**
    个体智能有限，群体智能可指数级提升。
* **类比**： 人类社会因集体智慧而进步，智能体亦然。

## 性能评估：多智能体系统的卓越表现

* **内部评估结果**
  * 多智能体系统在广度优先查询中表现优异。
  * Claude Opus 4 + Claude Sonnet 4 子智能体：超越单智能体 Claude Opus 4 90.2%。

* 案例：识别信息技术 S&P 500 公司董事会成员
  * 多智能体系统： 分解任务，子智能体并行搜索，成功找到答案。
  * 单智能体系统： 顺序搜索，耗时过长，未能找到答案。
  * **核心原因**： 多智能体系统能有效利用更多 tokens 解决问题。

## 性能分析：tokens 使用量是关键

BrowseComp 评估
测试浏览智能体定位难寻信息的能力。

* **性能差异因素**
  * tokens 使用量
  * 工具调用次数
  * 模型选择

## 成本考量：tokens 消耗与价值平衡

* **tokens 消耗量高**
  多智能体系统比聊天交互消耗更多 tokens。Agent通常使用的tokens比普通聊天交互多 4 倍，多Agent系统使用的令牌比聊天多 15 倍。
* **经济可行性**
  任务价值需足够高以支付 tokens 成本。

* 多Agent系统适用场景
  * 高价值任务
  * 重并行化任务
  * 信息量大任务
  * 复杂工具接口的任务
* 不适用场景
  * 需要共享上下文
  * 依赖性强的领域（如部分编程任务）
* LLM 协调能力待提升： 实时协调和委派仍是挑战。

## 研究系统架构：编排器-工作者模式

* 主Agent协调流程，同时委托给专门子Agent并行操作。
* **用户查询流程**
  * 主智能体分析，制定策略，启动子智能体。
  * 子智能体作用：智能过滤器，迭代使用搜索工具，收集信息。
  * 最终答案：主智能体汇总子智能体结果，生成最终答案。
* **对比 RAG**
  * 传统 RAG 是静态检索，检索与输入查询最相似的某些片段，并使用这些片段来生成响应。
  * 多智能体是动态搜索，使用多步骤搜索，动态地找到相关信息，适应新的发现，并分析结果以制定高质量的答案。

## 提示工程：引导智能体行为的关键

* **多智能体系统的复杂性**
    协调复杂度快速增长。
* **早期问题**
    子智能体过多、无效搜索、互相干扰。
* **提示工程的重要性**
    改进智能体行为的主要手段。
* **像智能体那样思考**
    理解智能体行为，模拟运行，观察失败模式。
* **教导编排器如何委派**
    明确子任务目标、输出格式、工具、边界。

## 提示工程原则：启发式而非规则

* **启发式而非规则**
  侧重启发式策略，而非僵化规则。
* **学习人类专家**
  研究人类专家如何进行研究，编码策略:
  * 分解问题
  * 评估来源质量
  * 调整搜索策略
  * 深度 vs. 广度
* **主动缓解副作用**
  * 设置明确的护栏，防止智能体失控。