Multi-Agent Systems（多智能体系统）
多智能体系统（MAS）由多个专职 Agent 协作/竞争完成单个 Agent 难以胜任的复杂任务。本页综合本批次来源，梳理编排模式、失败分类与”该不该建多智能体”的核心争论——这是本批次矛盾最集中的主题。
编排模式谱系
来自 Agent 设计模式分析，控制力递减、涌现性递增：
| 模式 | 结构 | 特点 |
|---|---|---|
| Orchestrator-Workers | 中心化分派 | 主控分解任务、分派 worker、聚合结果；可控性最高 |
| Hierarchical / Supervisor | 分层监督 | 多级 supervisor，适合大型组织化任务 |
| Sequential Pipeline | 顺序流水线 | 上游产出喂下游 |
| Group Chat / Debate | 去中心化辩论 | 多 Agent 对话/辩论，涌现性高但难控 |
| Blackboard | 共享状态板 | 通过共享黑板异步协作 |
| Routing / Handoff | 路由交接 | 按任务类型交接给专家 Agent |
| Parallel / Map-Reduce | 并行聚合 | fan-out 并行 + reduce 聚合 |
MAST 失败分类（Berkeley）
多智能体失败的系统性分类（Multi-Agent System Failure Taxonomy）：
| 失败类别 | 占比 |
|---|---|
| 规格 / 设计失败（任务分解不当、角色不清） | 41.8% |
| 智能体间对齐失败（通信、冲突、目标漂移） | 36.9% |
| 验证 / 终止失败（缺乏校验、错误收敛） | 21.3% |
启示：多智能体的失败大多在系统设计层面，而非单模型能力——编排质量决定成败。
核心争论：该不该建多智能体？
⚠️ 矛盾 [2026-07-25] 本批次来源在多智能体价值上立场分裂：
- 支持方：Anthropic 内部评测称多智能体研究系统 +90.2%——但属厂商内部、特定任务、约 15× token 成本。
- 反对方：Cognition《Don’t Build Multi-Agents》主张单 Agent + 工具优先，多智能体协调成本高、易失败。
- 中立/保守方：构建智能体实用指南 与 设计模式分析 均主张”仅当任务可清晰分解、子任务相对独立、需并行加速时才用”。
综合判断：三者并不根本矛盾，但适用边界不同。+90.2% 是上限案例（可分解的研究/编码任务 + 充裕 token 预算）；MAST 与 Cognition 提醒默认场景下多智能体的协调失败风险。默认单 Agent，只有在任务结构天然可分解且收益大于协调成本时才升级。
多智能体评测
交互式评测报告 与 Agent 评测趋势 指出多智能体评测的特殊维度：
- MultiAgentBench / MARBLE：评估通信质量、角色分工、冲突管理、协作/竞争得分。
- 评测对象从”模型”升级为”组织化系统”——需衡量群体效率而非单点能力。
- 与单 Agent 评测相比，需额外关注通信开销、协调失败、责任归属。
与其他主题的关系
- 多智能体是 AI Agent 的进阶形态；编排能力依赖 Agent Harness 提供的运行时原语。
- Deep Research 是多智能体（orchestrator-workers）在研究场景的典型应用。