Multi-Agent Research System（多智能体研究系统）

Anthropic 内部构建的深度研究 Agent 系统，是《Building Effective Agents》工程原则的生产级实现案例。系统采用编排者-执行者（Orchestrator-Workers）架构，由主研究 Agent 协调多个并行子 Agent，最终汇总引用。在内部研究评测中，比单 Agent Claude Opus 4 高出 90.2%，尤其擅长需要同时探索多个方向的广度优先查询。

系统架构

flowchart TB
    U((用户)) --> L[Lead Researcher\n主研究 Agent]
    L -->|制定策略 / 写入记忆| M[(Memory)]
    L --> S1[Subagent 1\n专项搜索]
    L --> S2[Subagent 2\n专项搜索]
    L --> S3[Subagent N\n...]
    S1 -->|报告发现| L
    S2 -->|报告发现| L
    S3 -->|报告发现| L
    L --> CA[Citation Agent\n引用处理]
    CA --> Out((带引用的研究报告))

执行流程：

Lead Researcher 分析用户查询、制定研究策略，将计划存入 Memory
并行子 Agent 各自执行专项搜索——使用网络搜索及集成工具，并通过 interleaved thinking 在搜索过程中自我评估
迭代精炼 — 子 Agent 对搜索结果打分，决定是否继续深挖
汇总阶段 — Lead Agent 整合所有发现，判断是否需要再开启一轮子 Agent
Citation Agent 逐文档归因，生成可溯源的引用
最终输出带完整引用的研究报告

性能数据

指标	数值
内部 eval 相对单 Agent 提升	90.2%
并行工具调用节省研究时间	最多 90%
Token 使用量 vs 普通对话	约 15×
Token 用量解释性能方差的比例	80%

核心推论：在多 Agent 体系中，投入的 Token 总量本身就是性能的核心驱动变量（解释 80% 的方差），而非单纯的架构复杂度。换言之，多 Agent 的优势本质上是在给定任务上投入了更多计算资源，而非神奇的协调能力。

八条多 Agent 提示工程原则

Anthropic 从这个系统的开发中总结出针对 Agentic System Patterns（智能体设计模式）的提示工程原则：

建立准确的 Agent 行为心理模型 — 通过观察和仿真来理解 Agent 实际做了什么，而不是凭直觉假设
有效委托 — 给子 Agent 明确的目标、输出格式、工具使用指导和任务边界
按复杂度缩放投入 — 嵌入复杂度规则：简单查询用 1 个 Agent + 3–10 次工具调用，复杂研究用 10+ 个子 Agent
优先设计工具 — 工具文档中嵌入明确的启发式规则，匹配工具到用户意图
让 Claude 参与自我改进 — 让模型诊断自身失败、提出 prompt 改进建议（诊断者视角）
从广到窄的搜索策略 — 先宽后窄，初始搜索尽量覆盖，再逐步聚焦
引导思考过程 — 将 extended thinking 当作可控草稿纸（scratchpad），引导推理路径，而非让模型自由发散
充分利用并行工具调用 — 同时发起多个搜索，显著压缩研究耗时

评测方法：LLM-as-Judge

系统采用「小批量评测 + LLM 裁判」的快速迭代策略：

小批量启动：约 20 条代表性测试查询，早期"变化影响往往很戏剧性"，少量用例足以判断方向
LLM-as-Judge 评测维度（0.0–1.0 打分）：

维度	说明
事实准确性	输出内容是否与来源一致
引用准确性	声明是否有实际来源支撑
完整性	是否覆盖了问题的关键方面
来源质量	引用来源是否权威可靠（防 SEO 偏向）
工具效率	是否用合理的工具调用数量完成任务

人工验证补充：自动化评测漏检的幻觉、系统故障、SEO 偏向等边缘案例，靠人工测试兜底

详见 Evals（评估）。

生产工程挑战

状态管理 — 需要检查点（checkpoint）系统支持中断续接，见 Durable Execution（持久执行）

调试难度 — 非确定性行为使 run-to-run 对比困难；需要全链路追踪，监控「Agent 决策模式与交互结构」，同时避免访问对话内容（合规）

彩虹部署（Rainbow Deployment） — 版本更新时逐步将流量从旧版本迁移到新版本，而不是直接切换，防止中断正在执行中的长时任务

同步瓶颈 — 当前 Lead Agent 必须等所有子 Agent 完成后才能继续，限制了实时引导能力；这是作者明确指出的待改进方向

适用场景

据用户报告，前五类使用场景：

软件系统开发（跨领域）— 10%
专业内容优化 — 8%
商业战略制定 — 8%
学术研究支持 — 7%
信息核实与验证 — 5%

系统特别适合广度优先型查询——需要同时探索多个方向、汇总大量来源的任务；不适合线性的、可以单次调用完成的任务。