什么是多智能体协作？一群 AI 一起干活

让一个 AI 从查资料、写初稿到自查错误一口气做完，结果往往是每件都做了、每件都平庸。多智能体协作换了个思路：把大任务拆给几个各司其职的智能体，分头做、互相查、最后汇总。理解它的关键在机制，不在比喻。

机制拆解：一次协作里发生了什么

进来的是一条任务描述和约束条件，比如「写一份行业报告，要数据来源，五千字以内」。中间发生三件事：拆解，协调者把任务切成可独立完成的子任务；分配，每个智能体带着自己的上下文和可用工具开工，彼此的中间过程互相隔离；传递，上一个环节的产物变成下一个环节的输入。出去的是汇总后的结果。与单模型的核心区别就在隔离：单模型把所有内容装在同一个上下文里，越长越容易互相干扰；多智能体让每个角色只背着与自己相关的上下文干活，注意力集中，出错的方式也更可预测。

隔离还有另一面：信息要显式交接。单模型天生知道前文说了什么，多智能体的下游只看得见你传给它的东西，上游思考过程中的关键细节，不写进交接产物就等于不存在。实践中省事的做法是把「交接什么」也定义清楚：要点清单必须带来源编号，成文必须逐条标注用的是哪条要点，审校意见必须给出处。交接格式越固定，协作链路越稳；靠「它应该知道」的默契，是多智能体翻车的头号原因。

三种常见分工模式

主管—下属模式：一个智能体当协调者，负责拆任务、派活、收结果，适合目标明确但环节多的任务。流水线模式：查资料的交给写稿的，写稿的交给审校的，环环相扣，适合步骤固定的工作。辩论互评模式：几个智能体各出一版方案，再互相挑毛病，由协调者收敛结论，适合答案有争议、需要交叉核验的判断题。查资料那一环本身也有讲究，让智能体一次做多路召回、取回几份资料再筛选，比单路检索的覆盖面大得多，原理可以看多路召回为什么一次能找多份资料。

一个完整的例子：做行业报告

拆成三个角色。甲负责搜集资料并整理要点，输出带来源的要点清单；乙只根据甲的清单按提纲成文，不做发挥；丙专门挑错，核对事实、数字和逻辑漏洞，把问题打回给乙。三个角色各盯一件事，成品的事实性错误明显比一个模型一口气写完的版本少。原因并非模型变聪明了，是「检查」这个动作被独立出来了——自我复核容易自我说服，交叉检查不会。

它解决不了的三件事

一是慢。环节串起来，总耗时是单次问答的几倍，对时效敏感的场景直接出局。二是贵。每个智能体每一步都在调用模型，token 用量成倍增加，参与角色越多账单越陡，模型本身的规格也直接影响成本，不同规格的差距可以参照模型参数量 7B 和 70B 的差别来理解。三是错误传播。第一个环节的理解错了，后面每个环节会在错误地基上继续盖楼，而且各环节输出的「确信感」会把错误放大——下游看到的输入看起来很确定，没人质疑它。所以拆解阶段的人工确认不能省，起点错了全程白跑。

该不该用：一张判断表

多智能体和多模型聚合也常被混为一谈：聚合是给你一个入口切换多家模型，一次还是只做一件事；多智能体是多个角色协作，一次做一件被拆开的事，两者的成本结构完全不同，选型前可以对照多模型聚合的利弊分清自己要的到底是哪种。

多智能体判断速查

• 进来任务、中间拆解分配传递、出去汇总，核心在上下文隔离
• 三种模式：主管—下属、流水线、辩论互评
• 代价三件套：更慢、更贵、错误会传播
• 环节少于两步，老实用单模型
• 拆解阶段人工确认，起点错全程错

多智能体协作的本质是用协调成本换质量下限：任务越复杂、越可拆解、错了代价越高，这笔交换越划算。反过来说，在简单任务上摆开多智能体阵仗，等于雇一个团队去取一次快递。