@PierceZhang34: 最近 Anthropic 发了一篇工程博文，详细拆解了自己的多智能体研究系统 结论挺炸裂的：用 Claude Opus 4 做主 orchestrator、Claude Sonnet 4 做子智能体，多智能体系统比单智能体 Claude …

最近 Anthropic 发了一篇工程博文，详细拆解了自己的多智能体研究系统 结论挺炸裂的：用 Claude Opus 4 做主 orchestrator、Claude Sonnet 4 做子智能体，多智能体系统比单智能体 Claude Opus 4 单打独斗强了 90.2% 不是提升 10%、20%，是 90%。这个数字让我们再次看到多智能体系统的强大威力 先说他们怎么做的。架构很清晰，首先由一个主智能体（Lead Agent）来拆解问题、分配任务，多个子智能体（Subagents）并行执行。每个子智能体拿到的是明确的子目标、输出格式和工具指引，不是随便撒出去让它们自由发挥。比如一个研究任务，主智能体派出 10 个子智能体对 75 家公司进行研究、每个管 7-8 家，并行跑完再汇总。如果是单智能体的话，完全搞不定。 上下文窗口很快就会被撑爆、时间不够、也没法并行 但代价是什么？多智能体消耗的 token 大约是普通单智能体的 15 倍。所以 Anthropic 自己也说：升级模型质量比翻倍 token 预算更管用。但不是智能体越多越好，对的架构+对的模型是关键 Anthropic 还总结了五种多智能体协作模式：生成-验证（Generator-Verifier）、编排-子智能体（Orchestrator-Subagent）、智能体团队（Agent Teams）、消息总线（Message Bus）、共享状态（Shared State） 不是越复杂越好，简单任务用生成-验证就够了，搞一整套编排反而浪费 多智能体确实有质的飞跃，但前提是你得搞清楚三件事 任务是否够复杂到需要并行？ 子智能体之间的边界是否清晰？ 愿意承受 15 倍的 token 成本吗？ 如果这三个问题你都能答是，那值得搞 否则，一个强模型加好的提示词就足够了