一个 AI 助理从早上陪你做到下午，早上交代的“正式资料不要动”，到了傍晚它可能已经忘了。任务越长、越杂，一个 AI 越容易漏东漏西。多代理协作框架就是为这种状况设计的。

多代理协作框架（multi-agent harness）是什么？ Harness 指模型外面那一整套装备：让它反复行动的循环、能调用的工具、context（模型当下看得到的全部内容）的管理，还有护栏。有了这套装备，模型才成为 agent，能自己决定下一步、自己用工具把事情做完。多代理协作框架是它的多人版：一个指挥者（orchestrator）把大工作拆给好几个 agent，每个 agent 用自己独立的 context 做一小块，只交回精简的结果。指挥者可以是一个 AI，也可以是一段写好的程序。

这篇用白话整理 Anthropic、OpenAI、Google、Microsoft 官方文档里反复出现的做法，再加上小企鹅的 AI 团队实际跑一次的实战记录。

一个 AI 为什么不够？

Anthropic 给单一 agent 做长任务时的毛病取了三个名字：

  • Agentic laziness（做到一半说做完）：Anthropic 举的例子是一份 50 项的安全检查，只处理了 35 项就宣布完成。
  • Self-preferential bias（自己改自己的考卷）：叫它检查自己的成果，它会偏向自己。
  • Goal drift（聊久了忘了原本要什么）：对话变长、旧内容被压成摘要，每压一次都可能漏掉细节，“不要做 X”这类限制就可能这样丢掉。

另外还有 context 污染：前一个子任务留下的数据，一直干扰下一个。解法是把工作拆给几个各有干净 context、只盯一个目标的 agent。负责检查的 agent 如果只拿到结果和标准，看不到做事那方的推理，也比较不会帮它圆场，这一点需要刻意安排。

计划拿在谁手上？

Claude Code 的文档用一句话区分各种做法：“差别在于谁拿着计划。”计划可以在指挥的 AI 手上，由它每一轮决定下一步，弹性大，但所有结果都会回到它的 context，做久了越塞越满。计划也可以写成程序，由脚本保管步骤和中间结果，指挥的 AI 只需要看最终答案。前者像主管边做边想，后者像照一张写好的流程表走。不管哪一种，重点都是让指挥者的 context 保持干净。

六种常见组法

Anthropic 整理了六种组法，实务上会混着用：

  1. Classify-and-act（先分类，再派工）：先判断任务类型，再交给对应的 agent。像是分流客服邮件。
  2. Fan-out-and-synthesize（拆开并行做，再汇总）：切成小块同时做，全部完成才汇总。像是多方向的调查。
  3. Adversarial verification（对抗式验证）：另派 agent 拿标准挑毛病。用在出错代价高的产出。
  4. Generate-and-filter（大量发想，再筛选）：产生很多点子，用标准或实际验证筛选、去除重复，只留最好的。像是发想标题。
  5. Tournament（淘汰赛）：各做一版，两两比较选出最好的。Anthropic 认为两两比较比打绝对分数可靠。
  6. Loop until done（直到没有新发现为止）：持续派 agent 去找，直到停止条件成立，例如 log 里不再出现新错误。

Anthropic 整理的六种工作流程组法示意：先分类再派工、拆开并行做再汇总、对抗式验证、大量发想再筛选、淘汰赛、直到没有新发现为止

图一：六种组法。图片来源：Anthropic（claude.dev）

Agent 会读网页、邮件、留言这类外来内容时，还有一种组法叫隔离区（quarantine）：负责读取的 agent 不做高权限动作，真正动手的 agent 只看它们交出的摘要，不碰原文。这类风险可以看 AI Agent 的安全风险。

隔离后再行动：外来内容先交给隔离区里只能读取的 agent 分类整理，受信任区里有权限的 agent 只根据摘要行动，处理不了就转给人类

图二：读取外来内容的 agent 待在隔离区，有权限的 agent 只看摘要。图片来源：Anthropic（claude.dev）

实战：一篇文章，九个 AI

2026 年 9 月，小企鹅的 AI 团队用这套方法写了一篇新产品解析。分工是：一个指挥的 AI（订计划、写任务简报、决定收或退，自己不写文章）、六个调查 agent（一人一题、各交一个证据文件，其中一个专门核对别人的说法；同一时间最多跑三个，其余排队）、一个只能用证据文件的写稿 agent，还有一个另一家模型的审稿 agent。中途有几个位置换过替补：一家模型的调查额度用完，经小企鹅同意，剩下的调查改由另一家模型的 agent 接手；审稿也换过人，下面会讲。小企鹅本人负责文章角度、封面和按下发布。

从“开始”到拿到指挥者对照证据检查过的稿子，大约一个半小时；最后的审稿又多花了一个多小时，原因在下表最后一列。

出了什么错谁抓到学到什么
任务简报的前提错了：把产品名当成一个模型系列，其实同名的也是一个给普通用户的 agent App调查 agent 回报，指挥者亲自抽查一手资料确认任务简报发出前，先验证最关键的前提
指挥者自己说错：看完官方页面，就说“应该没有候补名单”社区调查 agent 找到用户回报在 App 里看到候补画面；小企鹅本人一开始就是对的官方页面没写，不代表不存在
写稿 agent 把媒体报道的“人类拨打电话”写成“人类接听电话”指挥者拿证据文件逐段对稿，连同其他问题共退回 12 处读稿要对照原始证据
指挥者对过稿之后仍留下的错：常见问答和开头跟修正后的正文矛盾、只有一家媒体报道的细节被写成两家另一家模型的审稿 agent 直接读证据，抓出 8 个必须修的问题；指挥者也拿审稿者没看过的视频画面，驳回其中一条最后一关放不同家；审稿意见也要拿证据检验
审稿 agent 额度用完，替补的两次只交回进度消息、没有结论指挥者直接打开产出检查，没有只看“执行完毕”“跑完了”不等于“做完了”

前提写错，agent 只会照着错的前提认真做完。表上五个问题，有两个跟指挥者自己有关。这几层各自抓到不同的错，没有哪一层可以单独信任，指挥者自己也一样。

什么时候不该用？

OpenAI、Microsoft、Anthropic 的文档都建议先把单一 agent 做好，简单的方法能解决就别加 agent。多 agent 适合宽而并行、互不依赖的工作，例如多方向的调查、把一条条说法拆开核对；同一份文件要多人改、每一步都依赖上一步的工作，交给一个 agent 比较好。

一个简单的判断法：这件工作能不能拆给几个人各查各的、互不干扰？能，才值得找一群 AI；不能，就先把一个 AI 的任务简报写好。

成本也会成倍增加：每个 agent 各自消耗 token（模型处理文字、计算费用的单位），交接和协调还要再算一份。研究也提醒要保守：Cemri 等人 2025 年的论文分析 7 个开源多 agent 系统，失败率在 41% 到 86.7% 之间。

五条设计原则

  1. 照信息的边界切工作。 先想哪些信息要放在一起，再分工。Anthropic 做过实验，照职称分工（规划、实现、测试、审查）的 agent，花在协调上的 token 比实际做事还多。比较好的切法是互不相干的调查方向，或只看结果的独立检查。
  2. 任务简报写清楚。 Subagent 看不到你跟指挥者聊过什么。目标、输出格式、该用的来源、任务边界都要写，路怎么走交给执行的人。Anthropic 也发现，规划时把技术细节写太细、又写错，错误会一路传到下游。
  3. 做事的和检查的分开。 检查要有具体标准，也要防反方向的问题：叫审查 agent 找缺点，就算作品没问题，它通常也会找出一些。Anthropic 的做法是一条规则配一个检查者，再由一个“怀疑派”agent 过滤误报。
  4. 用文件交接。 成果写成文件，只回传很短的参照（文件在哪），避免一路转述、一路失真。同一份东西，同一时间只让一个 agent 改。
  5. 设停止条件，人守关键关卡。 重试和迭代要有上限，碰到上限怎么办也要先想好，Microsoft 举的例子是转给人处理。敏感、不可逆的动作，留给人确认。

审稿要不要换一家模型？

小企鹅的团队让另一家模型把守最后一关。研究确实发现，模型给答案打分时会偏好自己的产出；也有研究发现，越强的模型犯错越相似，就算来自不同厂商也一样。我们读过的 Anthropic、OpenAI、Google、Microsoft 官方文档，都没有要求换一家来审，Anthropic 要的是新的模型实例，加上干净的 context。所以小企鹅把换一家当成便宜的保险，实际抓到的例子就是上面表格第四列。撑起质量的，是审稿者有干净的 context、直接读原始证据、手上有具体的检查标准。

小企鹅的总结

  1. 写任务简报像交接给新同事。 对方没听过你们之前聊了什么。最关键的前提，发出前先自己验一次。
  2. 检查的跟做事的分开。 不会写程序也能套用：打开两个对话，一个写，一个只拿原始数据逐条挑错。小企鹅团队实际的做法是写稿只准用证据文件，最后一关换另一家模型审。
  3. 一个 AI 做得好，就别叫一群。 多 agent 留给范围大、能并行、做错代价高的工作。
  4. 品味、授权、不可逆的决定留给人。 文章角度、封面、按下发布，在小企鹅的团队里都还是小企鹅自己来。

Anthropic 的工程团队写过：harness 里的每个零件，都藏着一个“模型自己做不到什么”的假设。模型变强以后哪些零件可以拆掉，小企鹅的团队还在一个一个试。

更多基础观念可以从 AI Agent 专区 开始看；context 怎么运作，可以看 AI Agent 的记忆机制。

参考资料

封面图片来源：Anthropic（claude.dev）

官方文档会持续更新，内容以 2026-09-23 读取为准。