导语：当 Cognition 高呼 “Don’t Build Multi-Agents”，Anthropic 却用成功案例回应。两篇爆文看似对立，却指向了构建多智能体系统的同一真相——胜负的分水岭，从来不是 Agent 数量，而是“上下文工程”与“读写结构”。如果你正考虑构建 Agent 系统，这可能是你最该读的一篇文章。
01 技术交锋：分歧中的隐藏共识
上周，AI 圈出现两篇爆文引发热议：
- 🛑 Don’t Build Multi-Agents（来自 Cognition，强调“别做”）✅ How we built our multi-agent research system（来自 Anthropic，详述实战经验）
尽管立场看似对立，两者却不约而同指出：要让多智能体系统稳定运行，有两个关键前提：
- Context Engineering（上下文工程）是基础设施级能力多智能体更适合“读”任务而非“写”任务
02 生死线：Context Engineering
“再聪明的模型，若不知上下文，也无法做出正确判断。”—— Cognition 团队提出的核心观点
▍什么是上下文工程（Context Engineering）？
不同于传统的 Prompt Engineering，Context Engineering 更关注系统级的动态上下文构建。它强调：在复杂交互和多智能体协作中，如何为每个 Agent 构建精准、独立、可持续的任务背景，是系统能否稳定运行的关键。
▍实战中表现如何？
Anthropic 的实践佐证了这一点：
长对话管理：对话可能长达数百轮，需要引入外部记忆与压缩机制，如在每阶段总结信息存储进记忆库、跨阶段切换时唤回关键信息。任务描述精准化：子智能体需要被明确告知目标、输出格式、所用工具、边界约束，否则容易重复劳动或遗漏重要内容。
▍底层能力支持
- ✅ 完整控制 LLM 接收的上下文输入✅ 无隐藏提示、无强加的“认知架构”✅ 明确每一步执行顺序，实现灵活编排
在我们看来，Agent 框架的核心不是功能丰富，而是给开发者“上下文的完全控制权”。
03 为什么“写”比“读”更难？
“行为背后是决策，冲突的决策会带来灾难。”—— Cognition 团队总结多 Agent 写作风险
▍读 vs 写，本质区别在哪？
- 读（Research）型任务：如搜索信息、理解材料等，天然适合并行执行，多个 Agent 各自探索、协同处理即可。写（Synthesis）型任务：如代码生成、内容撰写，需保持结构统一、语言风格一致，难以拆分并行，否则会产生冲突或碎片化。
▍Anthropic 的拆解方案
在其 Claude Research 系统中：
- 读取任务：由多智能体并行完成，每个 Agent 负责不同方向写作任务：由主智能体统一汇总并输出，避免冲突与割裂
实验中发现，模糊的指令导致多个 Agent 重复搜索 2025 年半导体供应链，有效的任务拆解机制是防止资源浪费的关键。
04 工程落地的三道坎：持久性、可观测、可评估
即使设计合理，Agent 系统要能稳定运行，还必须跨过三道“生产环境生死劫”：
| 挑战维度 | 关键问题 | 推荐方案 |
|---|---|---|
| 持久化执行 | Agent 是有状态的，一旦中断，代价高昂 | LangGraph 提供错误续跑机制 |
| 调试与可观测性 | 多 Agent 决策不确定，难以复现 bug | 使用 LangSmith 进行全链路追踪 |
| Agent 评估机制 | 不能只靠主观观察 | LLM-as-a-Judge + 人工评估 组合，并支持 小样本评测 起步 |
LangSmith 已支持数据集管理、自动评分、人工标注队列等功能，构建系统级 Agent 评估链条已成可能。
05 哪些任务适合多智能体？Anthropic 的实战公式
根据 Anthropic 实验总结，多智能体系统适合以下三类任务：
- ✅ 高价值任务：计算成本可控，但任务本身价值高（如战略研究）✅ 广度优先探索：适合多个 Agent 并行发散，如舆情分析、多角度政策解读✅ 超长上下文任务：任务 token 超过单模型窗口上限时，可用 Agent 分工处理各部分
而在以下场景中，多智能体反而不如单体结构高效：
- ❌ 强依赖上下文同步、实时响应（如代码协作、系统集成）❌ 子任务之间依赖复杂、无法并行（如多步骤推理题）
没有通用最佳结构，只有最合适的架构决策。
结语：别被“智能体数量”迷惑，关键是上下文控制力
总结来看：
- Cognition 的告诫并非“多智能体无用”，而是警示其复杂性；Anthropic 的成功并非“多智能体万能”，而是源于良好的任务拆解与上下文管理；构建多智能体系统不仅是技术挑战，更是“系统工程挑战”。
📣 参与讨论：你是否遇到过 Agent 协作失控的瞬间？留言聊聊你的避坑经验吧！
