重构智能协作: Anthropic如何打造多代理研究系统

周五好, 这里是 CodeAgent.

 

Anthropic 团队最近介绍了multi-agent systems构建时候的原则, 并提出了对Prompt更多的观点.

 

📌 Multi-Agent 执行流程

当用户提交查询请求后，主代理会分析问题、制定策略，并生成多个子代理同时探索不同方面。子代理通过反复使用搜索工具收集数据并返回给主代理，主代理再综合这些结果形成最终答案。

与传统的基于检索增强生成（RAG）方法不同，Anthropic 使用的是动态、多步搜索架构，能够根据中间发现调整策略，提炼更高质量的信息与回答。

如上图所示, 里面提到了 LeadResearcher Agent 和 Subagent 的概念:

1. 用户提交查询后，系统创建一个 Lead agent，启动迭代研究流程。
2. Lead agent先思考研究方案并将计划保存到 Memory，以防上下文超过 200,000 tokens 被截断。
3. Lead agent创建多个专门的 Subagents（图中示例为两个），负责不同的研究任务。
4. 每个 Subagent 独立执行 web searches，使用 interleaved thinking 评估工具结果，并将发现反馈给 Lead agent。
5.  Lead agent综合 Subagents 的结果，判断是否需要更多研究，必要时创建更多 Subagents 或调整策略。
6. 信息充分时，系统退出研究循环，将所有成果交给 CitationAgent。
7. CitationAgent 处理文档和研究报告，识别具体的 citation 位置，确保论断有出处。
8. 最终带有 citations 的研究结果返回给用