Multi-Agent Systems

多智能體系統（Multi-Agent Systems）是一種讓多個 AI Agent 分工協作、共同完成複雜任務的架構。和單一 Agent 相比，多智能體系統的核心優勢在於能突破三個限制：

限制一：Context Window 上限。單個 Claude 的 Context Window 是 200K Token，對超大規模的任務（分析一家公司 5 年的財報、對整個大型代碼庫做全面重構），即使是 200K 也不夠。多智能體系統讓不同的 Agent 負責不同的部分，再把結果整合，能處理遠超單個 Context Window 的任務。

限制二：並行執行能力。單一 Agent 是串行的——做完任務 A 再做任務 B。如果一個任務有多個獨立的子任務，單一 Agent 必須一個個完成。多智能體系統讓多個 Agent 同時工作，把原本需要 10 分鐘的串行任務壓縮到 2 分鐘。

限制三：專業化深度。一個「全能」的 Agent 往往在每個領域都是泛泛而不精。多智能體系統讓每個 Agent 只專注於一個領域，配置針對性的 System Prompt 和工具，輸出品質比全能 Agent 更高。例如「代碼生成 Agent」和「代碼審查 Agent」分開，比一個「又寫又審」的 Agent 效果更好。

AnthropicClaude 在 Anthropic Academy 的課程裡把多智能體系統定義為當前 AI 開發最重要的前沿方向之一，並在 Claude Code 和 API 裡提供了多智能體架構的原生支援（Subagents 功能）。

多智能體系統的三種核心架構模式分別適合什麼場景？

模式一：編排者-執行者（Orchestrator-Worker）

一個「主 Agent」（Orchestrator）負責分析任務、分配子任務、收集結果、整合輸出；多個「執行 Agent」（Workers）各自執行分配到的子任務。

適合場景：任務有清晰的分解結構，每個子任務相對獨立，不需要彼此的輸出就能開始執行。例如：同時分析競爭對手 A、B、C 三家公司的年報，Orchestrator 分配三個 Worker 各分析一家，最後整合成比較報告。

模式二：平行處理（Pipeline / Sequential）

任務需要依序通過多個專門的 Agent，每個 Agent 的輸出是下一個 Agent 的輸入。這是最常見的多智能體模式，類似工廠的流水線。

適合場景：任務有明確的處理階段，每個階段需要不同的專業能力。例如軟體開發的「需求分析 Agent → 架構設計 Agent → 代碼實作 Agent → 測試 Agent → Code Review Agent」。

模式三：評估-優化循環（Evaluator-Optimizer）

一個「生成 Agent」產出初始結果，一個「評估 Agent」根據預設標準審查品質，不符合標準就要求生成 Agent 修改，循環直到通過。

適合場景：需要高品質輸出、且能定義明確的品質標準。例如：「代碼生成 Agent」寫代碼，「測試執行 Agent」跑單元測試，測試失敗就回到代碼生成 Agent 修改，直到所有測試通過。

多智能體系統最大的工程挑戰是什麼？怎麼降低風險？

最大挑戰一：錯誤傳播（Error Propagation）

在串行的多智能體管道裡，一個 Agent 的錯誤輸出會成為下一個 Agent 的輸入，被當成正確的資訊繼續處理，錯誤在傳播的過程中可能被放大而不是修正。

降低風險的做法：在關鍵的 Agent 之間加入「驗證節點」——讓一個獨立的驗證 Agent 審查上一個 Agent 的輸出是否符合預期的格式和品質標準，不符合就要求重做，符合才傳遞給下一個 Agent。

最大挑戰二：複雜度管理

每增加一個 Agent，系統的複雜度就非線性增長——更多的訊息傳遞介面、更多的錯誤模式、更難調試的問題。

降低風險的做法：從最簡單的架構開始（先用單 Agent 解決問題，確認它做不好再引入多 Agent），只在確實能帶來價值的地方增加 Agent。「能用三個 Agent 解決的問題，不要用六個」。

最大挑戰三：成本累積

多個 Agent 並行或串行執行，意味著多個 API 呼叫，費用快速累積。一個設計不佳的多智能體系統，費用可能是等效單 Agent 的 5-10 倍。

降低風險的做法：用較小的模型（如 Haiku）做分類和路由任務，只有確實需要複雜推理的 Agent 使用 Sonnet 或 Opus。在每個 Agent 的任務描述裡明確限制 Context 大小和輸出長度。

Claude 在多智能體系統裡的實際支援——Subagents 功能怎麼用？

Claude 4 系列在 API 層面提供了原生的多智能體支援，最核心的是 Subagents 功能（在 Claude Code 和 API 裡都有支援）。

在 Claude Code 裡使用 Subagents：在 Claude Code 裡，你可以讓一個 Claude 實例（主 Agent）在執行任務時，spawn 多個子 Claude 實例（Subagents）並行處理不同的子任務。例如：

「分析這個 codebase 的架構，並為每個主要模組生成獨立的文件。」主 Agent 分析 codebase 後，為每個模組 spawn 一個 Subagent，每個 Subagent 負責一個模組的文件生成，並行執行，最後主 Agent 整合所有文件。

在 Claude API 裡建構多智能體：最直接的方式是讓 Claude 的 Tool Use 功能呼叫「啟動另一個 Claude 實例」的工具。每個子 Agent 是一個獨立的 API 呼叫，有自己的 System Prompt 和 Context，不和主 Agent 共用記憶。子 Agent 的輸出作為工具呼叫結果返回給主 Agent。

Anthropic 建議的多智能體設計原則： 讓每個 Agent 有明確、單一的職責；Agent 間的訊息傳遞要結構化（JSON 格式）而不是自由文字；在高風險操作上加入人工確認點；對每個 Agent 都設定適當的 Context 大小限制，避免 Context 無限增長。

跟你的工作有什麼關係：如果你現在的 AI 工作流有一個任務需要超過 30 分鐘才能完成，或者需要同時分析超過 200K Token 的內容，多智能體系統可能是下一步值得探索的方向。