我们如何构建多 Agent 研究系统

原文链接: https://www.anthropic.com/engineering/multi-agent-research-system 发布日期: 2025 年 6 月 13 日

Claude 现在具备了研究能力（Research capabilities），可以在网络、Google Workspace 以及任何集成服务中进行搜索，以完成复杂任务。

这个多 Agent 系统从原型到生产的旅程，让我们学到了关于系统架构、工具设计和提示工程的关键经验。多 Agent 系统由多个专门的 Agent 组成，它们协同工作以完成复杂任务。

本文分解了对我们有效的原则——我们希望你在构建自己的多 Agent 系统时能发现这些原则很有用。

为什么研究需要多 Agent 系统

研究工作涉及开放性问题，很难提前预测所需的步骤。你无法为探索复杂主题硬编码固定路径，因为这个过程本质上是动态的。

这种不可预测性使得 AI Agent 特别适合研究任务。研究需要灵活性，能够在调查展开时转向或探索相关联系。模型必须能够：

• 动态规划：根据新发现调整策略
• 深度探索：追踪有希望的线索
• 综合信息：从多个来源整合见解
• 迭代改进：基于中间结果完善方法

单个 Agent 可以处理简单任务，但复杂研究需要协调。这就是多 Agent 系统的用武之地。

我们的多 Agent 架构

我们的研究系统采用分层架构，具有明确的职责分离：

1. Orchestrator（编排器）

职责：高层规划和任务分配

Orchestrator 是系统的大脑。它：

• 分解研究问题为子任务
• 决定哪些 Agent 应该处理每个任务
• 监控进度并调整计划
• 综合最终结果

关键设计决策：

• 使用最强大的模型（Claude 3.7 Sonnet）以获得最佳推理能力
• 保持 Orchestrator 的提示简洁且专注于规划
• 避免让 Orchestrator 直接执行任务——它应该委派

2. Research Agent（研究 Agent）

职责：执行具体的研究任务

Research Agent 是系统的工作马。每个 Agent：

• 接收来自 Orchestrator 的明确定义的任务
• 使用专门的工具（搜索、文档检索等）
• 收集和分析信息
• 向 Orchestrator 报告发现

关键设计决策：

• 每个 Research Agent 专注于单一任务
• 提供清晰的工具和期望
• 使用结构化输出格式以便于解析

3. Synthesis Agent（综合 Agent）

职责：整合和格式化结果

Synthesis Agent 将所有内容汇集在一起。它：

• 从多个 Research Agent 收集结果
• 识别模式和关键见解
• 创建连贯的最终报告
• 应用格式和风格指南

关键设计决策：

• 在综合前等待所有研究完成
• 使用模板确保一致的输出
• 优先考虑清晰度和可操作性

我们学到的核心原则

原则 1：明确的职责分离

问题：早期版本中，Agent 试图同时规划、搜索和综合。这导致了混乱的提示和不可预测的行为。

解决方案：严格分离关注点。每个 Agent 应该有一个主要职责。

实践：

# Orchestrator 提示
你的唯一职责是规划和委派。
- 不要执行搜索
- 不要编写最终报告
- 只创建任务并分配它们 # Research Agent 提示
你的唯一职责是收集信息。
- 使用提供的工具进行搜索
- 总结你的发现
- 不要试图规划整体策略