最近關于 AI 大模型應用落地到底選用單智能體架構還是多智能體架構？業界爭論很多，特別是 Anthropic 公司和 Devin 公司分別主張和使用了不同的智能體架構設計路線，Anthropic 公司認為多智能體架構才是 AI 大模型應用擴展性能的關鍵，詳見《??性能提升90%，Anthropic 首次公開多智能體架構構建全流程????》，而 Devin 公司認為：“Don't Build Multi-Agents.”，并直接批評 OpenAI 和微軟的開發框架 Sarm 和 AutoGen 方向搞錯了，詳見《???不要再構建多 AI 智能體架構系統???》。

那么此刻要不要選用多智能體架構？我的觀點是此刻并不需要，因為智能體架構發展階段不同，參考云原生架構的發展，最初是單體架構，后面演進到微服務架構，目前 AI 原生落地是單智能體架構階段，后續會發展到多智能體架構階段。

下文詳細剖析之。

1、90%性能提升 VS 15倍成本

我們先來對比一下兩家公司公布的數據：

Anthropic 的成果：在內部研究評估中，他們的多智能體系統表現優異，相比單智能體 Claude Opus 4，性能提升了90.2%。

Devin 的反駁：多智能體架構存在諸多問題，比如：“極其脆弱”，由于決策分散，系統很容易崩潰。此外，其成本也高得驚人--以單智能體聊天為基準，多智能體系統的 token 消耗是單智能體的15倍。

舉個例子，單智能體時，你發送一條“你好”給大模型，可能消耗2個 Tokens；大模型回復“你好，有什么可以幫助您？”可能消耗15個 Tokens。而在多智能體系統中，多個大模型需要同時工作，并且需要將上下文信息在多智能體之間來回傳遞，這使得成本大幅增加。

那么問題來了：90%的性能提升與15倍的成本消耗，到底誰更有優勢？

實際上，雙方的觀點都有道理，只是出發點不同。

2、多智能體架構的優勢和缺陷

第一、多智能體架構的優勢：多智能體就是生產力

Anthropic 的思路非常清晰：單個智能體就像一個人，能力再強也有局限性。但如果讓多個智能體協同工作，就能突破這種限制。比如，研究“2025年 AI 智能體公司的市場格局”這樣的復雜問題，單個智能體需要一步步來：先搜索技術趨勢，再查看市場數據，然后分析競爭格局……這樣可能半天都完不成。而多智能體系統則不同，主智能體可以制定策略，同時派遣多個“小弟”：一個負責搜索技術信息，一個負責查看市場數據，一個負責分析競爭對手。它們并行工作，效率自然更高。

Anthropic 的 Research 系統正是基于這種理念設計的。這個架構的核心是“協調者-工作者”（Orchestrator-Worker）架構模式：主智能體就像項目經理，負責拆解任務和分配工作；子智能體則像專業員工，各司其職。這種架構的優勢不僅在于多個智能體共同思考，更在于突破了上下文窗口的限制。目前最強的模型上下文窗口也只有200萬 Tokens，處理復雜任務時往往不夠用，一旦“記憶爆滿”就會出現“失憶”的尷尬。而多智能體系統可以很好地解決這個問題。

圖片

此外，分工的優勢還在于將任務拆分為不同模塊，交給更合適的智能體去完成。在 Anthropic 的系統中，不同的子智能體可以針對不同領域進行優化：搜索智能體負責信息檢索，分析智能體負責數據處理，寫作智能體負責內容生成。

Anthropic 還發現，智能程度與 Tokens 總用量呈正相關。在 BrowseComp 評估中，Tokens 使用量能解釋80%的性能差異，即用得越多，效果越好。既然更多 Tokens 能帶來更好效果，那么讓多個智能體并行使用更多 Tokens，自然能獲得更強的能力。

第二、多智能體的致命缺陷：魔鬼細節

Devin 的態度非常明確：當前的多智能體系統是一個“看起來很美”的陷阱。他們直接指出：“別搞多智能體了，這條路走不通。”

為什么這么說？因為他們發現了多智能體系統的三個致命問題。

問題一：上下文丟失的災難。

Devin 提供的架構圖看似合理，但問題在于子智能體之間相互不了解對方的工作內容。子智能體1完全不知道子智能體2在做什么，反之亦然。

問題二：隱含決策的沖突。

每個智能體都在獨立執行任務，期間會做出一些“隱含決策”--這些決策沒有明確表達出來，但可能與其他模塊的決策相悖。

問題三：錯誤的復合放大效應。

在單智能體系統中，錯誤的影響是局部的；但在多智能體系統中，一個智能體的錯誤會傳播給其他智能體，形成“錯誤雪球”，越滾越大。

總結來說，Devin 擔心的問題除了成本之外，還有信息協調的難題。在多智能體系統中，每個智能體都有自己的“認知邊界”和“知識盲區”，它們各自處理信息片段時，缺乏全局視角的統一協調機制。這導致輸出結果在邏輯層面、時間維度、數據標準上出現不可調和的沖突，最終產生的綜合結論可能完全偏離預期目標。因此，所謂的多智能體更高效，在信息都無法對齊的情況下，可能根本就是個偽命題。

基于以上問題，Deivn 認為最合適的解決方案還是回歸單線程。這種單線程有兩個特點：

特點1：共享上下文，傳遞完整智能體軌跡。不僅要傳遞結果，還要傳遞整個思考過程，讓每個智能體都能看到其他智能體的完整決策軌跡，避免信息丟失。

特點2：承認每個行動都包含隱含決策，通過集中控制避免決策沖突。雖然單線程的線性智能體速度慢一些，但至少更可靠。

3、多智能體記憶架構設計

在前面的討論中，我們深入探討了 Anthropic 和 Devin 在架構設計上的爭議，但有一個核心問題始終沒有深入剖析：多智能體系統最大的技術瓶頸究竟在哪里？答案是記憶問題。

這個記憶問題可以從以下三個方面來理解：

問題一：上下文丟失：不僅是技術問題，更是架構災難

上下文丟失的問題遠比表面上看起來的要嚴重得多。Devin 曾經提到過這個問題，但其影響可能超出了我們的想象。假設你讓一個智能體團隊分析“2025年 AI 投資機會”。當三個智能體同時工作時，它們彼此之間看不到對方的推理和決策過程。例如：

• 智能體 A 搜索技術趨勢，得出結論認為多模態是未來的發展方向；
• 智能體 B 分析市場數據，發現傳統 NLP 領域的融資更多；
• 智能體 C 研究競爭格局，認為計算機視覺才是主流。

面對這三個相互矛盾的結論，主智能體將完全無法進行有效的整合。這種上下文丟失的問題，不僅僅是技術層面的挑戰，更是架構設計上的災難。

問題二：信息孤島與資源浪費

在多智能體系統中，每個智能體只能看到問題的一個片段，就像盲人摸象一樣。這不僅導致了信息孤島的形成，還造成了巨大的資源浪費。為什么多智能體系統的 Tokens 消耗是單智能體的15倍？除了信息傳遞的開銷外，大部分浪費都來自于重復搜索。每個智能體都在獨立地進行信息檢索，而沒有共享彼此的成果，這無疑增加了系統的負擔。

問題三：信息整合對齊困難，無法做出決策

當智能體 A 假設關注 B2B 市場并重點搜索企業級應用，而智能體 B 假設關注 C2C 市場并重點分析消費級產品時，它們得出的結論雖然各自看起來都很專業，但由于基于不同的假設，這些結論根本無法整合，也無法據此做出最合適的最終決策。這種信息整合對齊的困難，使得多智能體系統在實際應用中面臨巨大的挑戰。

解決方案：Milvus 向量數據庫作為統一記憶中樞

盡管這些問題客觀存在，但我們是否只能依賴單線程的解決方案呢？其實，我們還可以嘗試一種新的思路：利用 Milvus 向量數據庫作為多智能體協作的統一記憶中樞。

Milvus 向量數據庫在解決多智能體信息孤島問題上具有以下四大核心優勢：

1. 統一存儲：所有智能體的推理過程和結果都可以集中存儲在一個統一的數據庫中，避免了信息的分散和丟失。
2. 實時共享：智能體 A 的技術分析結果可以立即對智能體 B 和 C 可見，確保所有智能體都能實時獲取最新的信息。
3. 向量檢索：通過向量檢索技術，就像給每個信息打上標簽一樣，系統可以根據語義相似性快速找到相關信息，大大提高了信息檢索的效率。
4. MCP-Server 服務：支持自然語言交互，使得智能體之間的協作更加高效便捷。

當智能體 A 分析“多模態 AI 趨勢”時，智能體 B 和 C 可以看到完整的推理鏈，從而避免基于片面信息得出錯誤結論。三個智能體基于相同的信息基礎進行協作，主智能體也能夠輕松整合出一致性結論。

通過引入 Milvus 向量數據庫作為統一記憶中樞，我們不僅可以解決多智能體系統中的記憶問題，還能充分發揮多智能體協作的優勢，為復雜問題的解決提供更高效、更可靠的方案。

4、總結

第一、多智能體架構：2025年的“天使”還是“魔鬼”？

在2025年的當下，多智能體架構究竟是一個帶來希望的“天使”，還是潛藏風險的“魔鬼”？

我的觀點是：別急于下定論，先看看事實。從長遠來看，多智能體架構無疑是未來的發展方向，但在現階段，單智能體架構可能更為可靠。

Anthropic 主張的“人多力量大”的理念是有道理的，Devin 指出的“失憶”和成本問題也確實存在。Anthropic 看到了多智能體架構的巨大潛力，而 Devin 則看到了它在當前面臨的挑戰。

在現階段，多智能體架構是否“好”，關鍵在于它能否解決實際問題，以及解決這些問題的價值是否超過了它所消耗的成本。對于那些需要大量并行處理、信息量巨大，或者需要調用多種復雜工具的任務，多智能體架構可能是那個完美的“天使”。然而，對于一些簡單的任務，或者對一致性和可靠性要求極高的場景，單智能體架構可能仍然是更優的選擇。

第二、一個更全面的架構視角

多智能體架構和單智能體架構各有優勢，也各有局限。我們不能簡單地將它們視為非此即彼的選擇，而應該根據具體的應用場景來決定使用哪種系統。

• 多智能體架構的“天使”一面：它能夠通過并行處理大幅提升效率，尤其適合處理復雜的、多維度的任務。例如，在大規模數據分析、多領域研究、或者需要多個智能體協同完成的任務中，多智能體架構能夠發揮巨大的作用。
• 多智能體架構的“魔鬼”一面：它面臨著上下文丟失、信息孤島、決策沖突等問題，這些問題在當前的技術水平下仍然難以完全解決。此外，多智能體架構的成本也相對較高，尤其是在 Tokens 消耗和計算資源方面。
• 單智能體架構的可靠性：單智能體架構雖然在處理復雜任務時可能效率較低，但在一些簡單任務或者對一致性要求極高的場景中，它的穩定性和可靠性是無可替代的。例如，在客戶服務、簡單的文本生成等場景中，單智能體架構可能更為合適。

第三、架構設計結論：因地制宜，因時制宜

在2025年的今天，多智能體架構和單智能體架構都有其存在的價值。我們不能簡單地將它們視為對立的兩種選擇，而應該根據具體的應用場景和需求來選擇最適合的方案。對于那些需要高效并行處理和復雜任務協同的場景，多智能體架構可能是更好的選擇；而對于那些對穩定性和一致性要求更高的簡單任務，單智能體架構可能更為可靠。

未來，隨著技術的不斷進步，多智能體架構可能會逐漸克服當前的挑戰，成為主流。但在現階段，單智能體架構更可靠。我們需要更加理性地看待這兩種架構的優勢和局限，根據實際情況做出合理的選擇。

本文轉載自???玄姐聊AGI??  作者：玄姐