多智能体拓扑

11 分钟读完

G2
深入解析 · 多智能体系统

多智能体拓扑:接线图决定了上下文在哪里断开。

在迄今规模最大的一项对照比较中,同样的几种多智能体接线方式,在一个任务上比单智能体最多好 81%,在另一个任务上却最多差 70%——你画出的拓扑,可能直接决定增加智能体到底有没有用。图中的每一条边,都是上下文被切断的地方。所以画图这件事本身就决定了:每个智能体能看到哪些决策、token 由谁来付、结果在往下传之前有没有人检查。2025–2026 年的证据支持一条直截了当的规则:工作能拆成彼此独立的读取时就扇出;相互耦合的工作,尤其是写操作,留在一个智能体里。真要扇出时,中枢的职责是校验,而不只是合并。本文用这些证据逐一检验星型、流水线、层级和网状,最后给出一套决策流程。

步骤 1拓扑是一个关于「上下文在哪里拆开、由谁付费」的决定。

教科书式的成本模型数的是边。有 n 个工作者的星型有 n 条边,全网状有 n(n−1)/2 条,每条边都在承载 token。这一点依然成立,但它漏掉了更要紧的性质:一条边就是一次有损交接。越过它的是一份简报或一段摘要,而不是发送方完整的工作状态。因此,一个多智能体系统用同一个设计选择换来了两样东西:总上下文更多了,因为每个智能体都有自己的窗口;共享上下文更少了,因为没有哪个智能体能看到全部。

Anthropic 关于其多智能体 Research 功能的文章(2025 年 6 月 13 日)把这笔交易的前一半讲得很清楚。智能体通常消耗的 token 约为一次聊天交互的 4 倍,多智能体系统约为 15 倍。在 BrowseComp 上,三个因素解释了 95% 的性能方差,其中仅 token 用量一项就解释了 80%;另外两个因素是工具调用次数和模型选择。直白地说,在搜索类任务上,扇出式拓扑买到的东西里,很大一部分就是「并行地多花 token」的能力。

把花费固定住,后一半就显现出来了。Tran 与 Kiela 的一篇斯坦福预印本(2026 年 4 月)在多跳推理任务上,给单智能体和多智能体系统相同的思考 token 预算,覆盖三个模型家族。单智能体始终持平或胜出。作者还指出,基于 API 的预算控制和标准基准本身存在一些假象,可能把多智能体的表面收益放大。所以,评判任何拓扑的第一个问题不是「要发多少条消息?」,而是「拆分上下文能买到什么——是同样的 token 交给单个窗口买不到的?」

步骤 2最好的对照证据:同样的任务,五种接线。

迄今对拓扑最直接的检验,是 Google Research 的 Towards a Science of Scaling Agent Systems(Kim 等,arXiv:2512.08296,2025 年 12 月首发,2026 年 4 月修订)。它在多个智能体基准和三个 LLM 家族上,把单智能体与四种多智能体架构作比较,工具、提示词和算力都做了统一。这些架构可以对应到经典形状:Independent 是并行的工作者,彼此不通信,结果只在最后合并;Centralized 是中心辐射式的编排者,也就是星型;Decentralized 是点对点网状;Hybrid 是层级监督加上点对点连接。下面的数字取自 2026 年 4 月的修订版(v3,表 5 与第 4 节)。

# Kim et al. 2026 (v3). Error amp.: single agent = 1.0; single-agent row shows raw scores
architecture    turns        overhead   error amp.   PlanCraft vs SAS   Finance-Agent vs SAS
single agent     7.2           0%         1.0          (0.568)            (0.349)
independent     11.4          58%        17.2         −70.0%             +57%
centralized     27.7         285%         4.4         −50.3%             +80.8%
decentralized   26.1         263%         7.8         −41.5%             +74.5%
hybrid          44.3         515%         5.1         −39.1%             +73.1%

对拓扑而言,有三个发现最要紧。第一,任务决定正负号。在可分解的金融推理上,每一种多智能体接线都胜过单智能体;在顺序规划任务 PlanCraft 上,每一种都输了,幅度在 39–70%。第二,最稀疏的图错误最严重。独立扇出的开销最低,错误放大却最高。加上一个能看到每个工作者输出的中枢,放大系数就从 17.2 降到 4.4,作者把这个差距归因于有没有集中式校验。第三,基座模型越强,协调就越不划算。一旦单智能体在某个任务上已经超过约 45%,协调的回报就会递减甚至转负,而工具密集的任务要付更重的协调税。论文拟合的模型能在 87% 的留出配置上选中最佳架构;它的预测变量是顺序依赖、工具密度这类任务属性,智能体数量和图好不好看都不在其中。

步骤 3星型:把读取扇出去,让中枢当检查者。

一个中心智能体派发工作者,工作者彼此从不通话,只向上汇报。这是生产环境的默认选择,其机制详见监督者/工作者模式。它记录最完整的成功案例是 Anthropic 的 Research 系统:采用编排者-工作者设计,由 Claude Opus 4 担任主导、Claude Sonnet 4 担任子智能体,在 Anthropic 内部的研究评测上比单智能体 Claude Opus 4 高出 90.2%。让子智能体并行运行、并在每个子智能体内部并行调用工具,把复杂查询的研究时间缩短了最多 90%。这类工作负载是广度优先的搜索:大量彼此独立的读取,其发现只需在最后汇合。

同一篇文章对星型的局限也很坦率。主导智能体是同步运行子智能体的,要等每一批完成才继续,所以主导者无法引导子智能体,子智能体之间也无法协调。Google 的数据解释了为什么中枢仍然值得保留。一个只会拼接输出的中枢,在功能上就是「independent」那一行:开销低,错误放大最大。一个会阅读、交叉核对并拒收结果的中枢,才是「centralized」那一行。中枢 285% 的开销里,大部分是这份核查的成本,而这正是值得付的那一部分。

# star: fan out reads, verify at the hub, never merge blindly
def star(task, budget):
    subs = hub.decompose(task)                     # subtasks must not share decisions
    results = parallel(worker.run(s, budget / len(subs)) for s in subs)
    checked = [r for r in results if hub.verify(r, task)]   # the edge that contains errors
    return hub.synthesize(checked)

默认用星型,也按星型来做预算。预期它要花掉一次聊天十倍以上的 token;在声称「是拓扑而不是多出来的 token 起了作用」之前,先拿它和花费相同的单智能体比一比。如果工作者需要彼此的发现,一份共享的只读产物(见共享记忆与黑板)通常比增加叶子之间的边更好。

步骤 4流水线:天生串行,所以路径上需要一个校验者。

智能体 A 的输出成为智能体 B 的输入。每个阶段各有专长,延迟是各阶段之和,没有任何重叠。流水线适合存在真正顺序依赖、接口窄且可检查的工作,例如抽取 → 转换 → 校验。它的结构性弱点在于:第二阶段一个细微的错误输出,会成为后面所有阶段的事实依据,而每个边界又是一次有损交接。

失败数据指出了修法。MAST 分类法(Cemri 等,Why Do Multi-Agent LLM Systems Fail?,arXiv:2503.13657,2025 年 10 月修订)标注了来自七个多智能体框架的 1,600 多条轨迹,把 14 种失败模式归入三大类:系统设计问题、智能体间失配、任务校验。标注者间一致性为 κ = 0.88。ChatDev 在论文中被列为层级式工作流,实际上是一条角色到角色的流水线。只加一步「对照任务目标检查结果」的高层校验,就让它在 ProgramDev 上的成功率提高了 15.6%,这是论文报告的单项干预中最大的增益;改进角色规格则带来 9.4%。在流水线里,你能买到的最便宜的可靠性,就是从链条末端连回原始任务的一条边。

步骤 5层级:买到上下文容量,付出的是轮次和摘要。

层级就是一个叶子本身也是协调者的星型。它是突破单个中枢上下文窗口的办法:顶层规划者委派给各个负责人,负责人再扇出给工作者,每棵子树都是一道预算与隔离边界。代价在 Google 的表里一目了然。Hybrid 架构(层级监督加点对点连接)开销最高(515%),轮次最多(每次试验 44.3 轮,单智能体为 7.2 轮)。在 Finance-Agent 上,它并没有胜过普通星型(+73.1% 对 +80.8%)。

定性的失败是多级有损摘要:工作者的细节先在负责人那里被压缩一次,到规划者那里再压缩一次,于是顶层看到的是摘要的摘要。每多一层,就多一处上下文被拆开的地方,而这正是本文通篇讨论的那个性质。树要保持浅,向上传递结构化产物而不是散文,只有在一个中枢确实装不下计划时才加一层。

深度不是免费的组织结构。每多一层,就多一次有损摘要,也多一个可能成为瓶颈的协调者;在对照比较中,多出来的结构买到的是轮次,而不是准确率。如果你在考虑第四层,错的是任务分解,而不是树太矮。

步骤 6网状:共享上下文最多,成本最高,且没有单一的检查者。

在网状中,每个智能体都能给其他每个智能体发消息。这是唯一一种工作者能直接看到彼此中间状态的拓扑,也正是它吸引人的地方。在 Google 的比较中,去中心化网状在可分解的金融任务上表现不错(+74.5%),但仍低于星型,开销相当(263%),错误放大却接近星型的两倍(7.8 对 4.4)。点对点消息传播了上下文,却没有哪个节点负责否决错误的说法,于是一个自信的错误和一个正确的结论传播得一样顺畅。

这就只剩一个狭窄的适用区间:智能体数量少、而且相互交谈本身就是算法的场景,比如三到五个智能体之间的结构化辩论。即便在那里,测得的收益大多也往往来自集成,而不是对话本身,见辩论、投票与集成。作为通用的协作底座,网状是在用平方级的通信量去解决一个上下文共享问题,而共享产物或单个智能体能更便宜地解决它。

步骤 7读取可以扇出;写入留在一条线程里。

这个论点最尖锐的版本,来自两家几乎事事意见相左、唯独在这一点上一致的实践者。Cognition 的 Don't Build Multi-Agents(Walden Yan,2025 年 6 月)提出两条原则:共享上下文,而且要共享完整的智能体轨迹,而不只是单条消息;行动承载着隐含的决策,相互冲突的决策会带来糟糕的结果。它的例子是把一个 Flappy Bird 克隆拆给两个子智能体:一个做出了超级马里奥风格的背景,另一个做出的小鸟和背景格格不入,因为两者都看不到对方正在做的风格选择。文章还描述了 Claude Code 当时使用子智能体的方式:它们从不与主智能体并行工作,大多用来回答边界清楚的问题,而不是写代码;其价值在于让一次调查的杂乱过程不进入主智能体的历史。

Anthropic 在同一周为多智能体研究辩护时,从另一侧划出了同样的边界:需要所有智能体共享同一上下文、或智能体之间依赖很多的领域,目前并不适合;而且大多数编码任务真正可并行的部分比研究少。把两者放在一起看:一次读取——搜索、查找、调查——返回的是信息,不承诺任何东西,所以可以在隔离的窗口里运行并被安全地摘要;一次写入则承诺了一个决策,之后的每次写入都依赖于它,所以把写入拆到多个窗口里,就是把决策拆开了。这正是 PlanCraft 崩盘背后的机制,也是 MAST 中「智能体间失配」这一类失败的大部分来源。

步骤 8决策规则,以及何时不该选更丰富的拓扑。

按顺序逐个回答下面的问题,在第一个能下定论的地方停下。

  1. 子任务之间共享决策吗?如果是相互耦合的写入或顺序计划,就用一个智能体;窗口装不下时,用压缩或只读子智能体,而不是对等的智能体。在对照比较中,顺序规划在每一种多智能体接线下都损失了 39–70%。
  2. 单智能体在这件事上已经做得不错了吗?基线成功率超过约 45% 时,预期协调的回报很小,甚至为负。先把单智能体测一遍。
  3. 工作面宽、以读取为主,且值得花约 15 倍的 token 吗?如果是,用星型,并让中枢既合并也校验。如果价值撑不起这笔花费,就把多出来的预算给一个智能体,并在相同 token 下比较两者。
  4. 是串行的、接口很窄吗?用流水线,并在末尾加一步对照原始目标的检查。
  5. 一个中枢的上下文真的装不下计划吗?只有这时才加一层层级,并向上传递结构化产物。
  6. 交互本身就是计算吗?只有这时才用小规模网状,典型的是三到五个智能体之间的结构化辩论。

常见的错误是以为边越多,协作就越多。证据表明,边越多意味着 token 越多、丢失上下文的地方越多;而唯一一条稳定值得添加的边,是从中枢通往每个输出的校验路径。选择最稀疏的拓扑:让耦合的决策留在同一个上下文里,并在每个工作者与答案之间放一个检查者。反对拆分本身的理由,见何时(与何时不)采用多智能体;拆分之后会出什么问题,见多智能体失败模式。