一、核心概念

• 多代理系统（multi-agent system）：由多个 LLM 代理在工具循环中自治协作完成任务。Anthropic 的 Research 功能采用“一主多辅”模式：LeadResearcher 负责总体规划，再并行生成若干 Subagent 进行分工检索，从而把大规模、开放式查询拆解为可并行执行的小任务。

二、多代理优势

三、系统架构

Research系统使用编制者-工作者模式的多智能体架构，主智能体协调过程同时委派给并行运行的专业子智能体。

四、工作流程

1. 查询提交：用户提交查询时，系统创建一个LeadResearcher智能体进入迭代研究过程
2. 规划保存：LeadResearcher首先思考方法并将计划保存到Memory中以保持上下文，因为如果上下文窗口超过200,000个Token就会被截断，保留计划很重要
3. 创建子智能体：创建具有特定研究任务的专业子智能体（可以是任意数量）。每个子智能体独立执行网络搜索，使用交错思考评估工具结果，并将发现返回给LeadResearcher
4. 结果综合：LeadResearcher综合这些结果并决定是否需要更多研究——如果需要，可以创建额外的子智能体或完善策略
5. 引用处理：一旦收集到足够信息，系统退出研究循环并将所有发现传递给CitationAgent，后者处理文档和研究报告以确定引用的具体位置
6. 最终输出：完整的研究结果连同引用一起返回给用户

该流程与传统一次性 RAG 不同：它是“多步动态检索-分析-再检索”的闭环，可适应途中发现的新线索。

五、提示工程八条关键原则

1. 与代理同频思考：

   先用离线沙盒复现代理行为，再针对失败模式迭代提示。

2. 教会主代理“如何分工”：

   为子代理写清目标、输出格式、工具范围和边界。

3. 让投入匹配任务复杂度：

   • 如简单事实查询 1 个代理 ≤ 10 次调用
   • 比较类任务 2-4 个代理，每个 10-15 次
   • 复杂研究可 >10 个代理。

4. 精心设计/挑选工具：

   • 为每个工具写清“何时用、输入输出、限制”
   • 每个工具需要独特目的和清晰描述
   • 明确启发式规则：
     • 首先检查所有可用工具
     • 匹配工具使用与用户意图
     • 优先使用专用工具而非通用工具

5. 允许代理自我改进：

   • 用“工具测试代理”自动优化工具描述

6. “先广后深”搜索策略：

   • 从短、宽查询起步，再逐步收敛

7. 显式引导思考过程：

   • 利用 extended thinking 作为可控草稿板，持续检查计划与结果

8. 双层并行化：

   • 一次性并行启动 3-5 子代理，子代理内部并行 3+ 工具调用，可将复杂查询时间缩短 90%

9. 启发式方法而非刚性规则

   • 关注灌输良好的启发式方法
   • 主动缓解意外副作用，设置明确护栏防止智能体失控

六、评估与观测

七、工程与运维挑战

八、适用场景 & 局限

• 适合：需大规模并行搜索、超大上下文整合、复合工具链（如跨数据库+网页+私域文档）的问题。
• 暂不适合：强时序依赖或实时协作（如多人实时编码）、全部代理必须共享同一上下文的任务。

九、结论

MAS = 用 Token 换能力：

1. 并行上下文突破单窗口限制
2. “主-辅-引文”三层编排 + 动态检索链获得更完整答案
3. 高成本意味着需聚焦高价值、可并行的问题
4. 成功关键：提示工程 → 工具设计 → 可观测测试 → 可靠部署

原文链接：How we built our multi-agent research system