一个 AI Agent 很强大。但一群 AI Agent 协同工作，则完全是另一个量级。
先收藏这个 :)
2026 年 5 月 6 日，Anthropic 在 Code with Claude 活动中宣布了 Claude Managed Agents 的多 Agent 编排功能。现在，你可以在单个任务上并行运行多达 20 个专业 Agent。
不是顺序执行。是并行。同时进行。每个 Agent 处理问题的不同部分。
这正是 Netflix、Harvey（法律 AI 公司）和 Shopify 已经在生产环境中使用的架构。Netflix 用它同时分析数百个构建日志。Harvey 用它协调跨多个文档的复杂法律工作。Shopify 正朝着 2026 年 Q3 实现 90% 的自主编码迈进。
这些不是实验。这些是当下正在大规模运行的生产系统。
而构建你自己系统的工具，对所有人开放。
下面就是如何从零开始构建一个 AI Agent 团队，哪些模式有效，以及要避免哪些错误。
为什么多 Agent 优于单 Agent
单个 Agent 就像一个员工。无论他多有才华，一次只能做一件事。如果任务有五个部分，他只能顺序处理：第一部分，然后第二部分，然后第三部分，然后第四部分，然后第五部分。
多 Agent 系统就像一个团队。五个 Agent，每个专攻任务的一个部分，同时工作。单个 Agent 需要 30 分钟的工作，五个 Agent 组成的团队只需要 6 分钟。
但速度甚至不是最大的优势。
真正的优势是专业化。
一个被要求做所有事情——研究、分析、写作、编码、审查——的单个 Agent，会在各个方面产生平庸的结果，因为它把注意力分散得太广。
一个由专业 Agent 组成的团队——一个研究员、一个分析师、一个写手、一个编码员、一个审查员——会在每个方面产生出色的结果，因为每个 Agent 都专注于自己最擅长的事情。
这与人类团队在复杂项目上胜过个人的原因相同。
三种有效的多 Agent 模式
并非所有的多 Agent 设置都生而平等。在研究了公司如何部署这些系统之后，出现了三种始终有效的模式。
模式 1：流水线
Agent 按顺序工作，每个 Agent 将其输出传递给下一个。
研究 Agent → 分析 Agent → 写作 Agent → 审查 Agent
当每个步骤都有清晰的输入和输出，并且后续步骤依赖于前面的步骤时，这种模式效果最好。研究 Agent 找到数据。分析 Agent 识别模式。写作 Agent 创建报告。审查 Agent 检查错误。
每个 Agent 都针对其特定任务进行了优化，拥有专注的系统提示和相关的工具。
模式 2：扇出
一个指挥官 Agent 将一个大任务分解为子任务，并将它们并行分发给多个工作 Agent。
指挥官 Agent 分配：
- 工作 Agent 1 → 分析文档 A
- 工作 Agent 2 → 分析文档 B
- 工作 Agent 3 → 分析文档 C
- 工作 Agent 4 → 分析文档 D
- 工作 Agent 5 → 分析文档 E
所有五个工作 Agent 同时运行。完成后，收集并综合它们的结果。
这就是 Netflix 用于分析构建日志的模式。它非常适合需要对许多独立项目执行相同操作的任务。
模式 3：专家团队
多个具有不同专业领域的 Agent 协作处理一个复杂的任务，各自贡献自己的专长。
对于产品发布，你可能会有：
- 市场研究 Agent — 分析竞争对手数据和市场趋势
- 技术 Agent — 评估可行性和架构选项
- 财务 Agent — 构建成本预测和定价模型
- 文案 Agent — 撰写营销材料和落地页文案
- 审查 Agent — 检查所有内容的一致性和质量
每个 Agent 都在自己的专业领域内工作。输出被组合成一个全面的可交付成果。
这就是 Harvey 用于法律工作的模式。不同的 Agent 处理案件的不同方面——研究、先例分析、文件起草、合规检查——然后将结果汇编成一个完整的法律包。
第 1 步：定义你的团队
在构建任何东西之前，先回答这些问题：
总体目标是什么？"制作一份每周竞争分析报告。"
不同的子任务是什么？"研究竞争对手网站，分析定价变化，监控产品发布，综合发现，撰写报告。"
哪些子任务可以并行运行？"研究、定价分析和产品监控可以同时进行。综合和撰写必须等到这些完成之后。"
你会为每个子任务雇佣什么样的专家？"一个市场研究员，一个定价分析师，一个产品侦察员，一个战略分析师，和一个报告撰写员。"
每个专家都成为一个 Agent，拥有自己的系统提示、工具和专注领域。
第 2 步：设计每个 Agent
团队中的每个 Agent 都需要三样东西：
一个明确的角色。"你是一名竞争定价分析师。你的工作是跟踪五种竞争对手产品的定价变化并识别趋势。"
特定的工具。定价分析师需要网络访问权限来检查竞争对手网站。报告撰写员需要文件访问权限来创建文档。市场研究员需要网络搜索来查找最近的新闻。
定义的输出。"生成一个结构化的 JSON 文件，包含字段：competitor_name, product, old_price, new_price, date_changed, significance_rating。"
输出格式很重要，因为它是 Agent 之间通信的方式。如果 Agent A 产生非结构化文本，而 Agent B 需要结构化数据，交接就会失败。
跨 Agent 标准化你的输出格式。这是你将做出的最重要的技术决策。
第 3 步：构建编排
使用 Claude Managed Agents，多 Agent 编排内置于 API 中。你定义你的 Agent、它们的关系以及它们如何通信——Anthropic 处理基础设施。
关键决策：
哪些 Agent 并行运行？不依赖于彼此输出的 Agent 应该同时运行以最大化速度。
哪些 Agent 顺序运行？需要另一个 Agent 输出的 Agent 应该等到该输出可用。
Agent 如何传递数据？通过共享环境中的文件、通过结构化输出格式、或通过直接的 Agent 到 Agent 通信。
当 Agent 失败时会发生什么？定义回退行为。如果定价分析师无法访问竞争对手的网站，它应该记录失败并继续使用可用数据——而不是使整个管道崩溃。
第 4 步：使用 Dreaming 添加记忆
这是最新的功能，它彻底改变了 Agent 的长期性能。
Dreaming 是一个计划好的后台进程，在 Agent 会话之间运行。它会回顾过去的会话，提取模式，识别重复出现的错误，并整理 Agent 的记忆存储。
实际上，这意味着你的 Agent 团队会随着时间的推移变得更聪明，而无需你手动更新提示。
Harvey 报告说，在其法律 Agent 上启用 Dreaming 使完成率提高了大约 6 倍。不是来自模型更改——纯粹是来自 Agent 跨会话携带机构知识。
你的 Agent 团队真的从自己的经验中学习。
要启用 Dreaming，在你的 Managed Agents 设置中配置一个 dream 计划。对于大多数团队，建议每晚执行。
第 5 步：定义成果
成果是一个新功能，它允许你使用基于评分标准的评分系统来定义"成功"的样子。
你不是希望你的 Agent 产生好的输出，而是定义具体的标准：
"报告必须包含所有五个竞争对手的定价数据。如果缺少任何竞争对手的数据，完整性分数将低于 80%。分析部分必须包含至少三个具体的见解，而不是泛泛的观察。文章必须少于 2,000 字。"
Claude 会根据你的评分标准评估自己的输出，并迭代直到通过。这创建了一个质量循环，在你看到输出之前就能捕获错误。
第 6 步：先测试简单任务
不要从构建一个 10 Agent 系统开始。
从两个 Agent 在一个简单的流水线任务上协作开始。让通信正确。让输出格式正确。让错误处理正确。
然后添加第三个 Agent。然后第四个。每次添加都应该在集成之前独立测试。
构建出色多 Agent 系统的团队是那些增量构建的团队，而不是那些试图在第一天就设计出完美系统的团队。
第 7 步：监控和迭代
多 Agent 系统比单个 Agent 更复杂。更多的事情可能出错。监控不是可选的。
注意：
交接失败 — Agent 产生的输出无法被下一个 Agent 解析。通过收紧输出格式规范来修复。
冗余工作 — 多个 Agent 在做同样的事情而没有意识到。通过使每个 Agent 的范围极其具体来修复。
质量下降 — 随着管道变长，输出质量下降。通过在关键检查点添加审查 Agent 来修复。
Token 膨胀 — Agent 生成不必要的冗长输出，消耗 token 限制。通过添加输出长度约束来修复。
生产环境中的实际应用
这是一个正在生产环境中运行的真实多 Agent 设置：
每周市场情报报告
Agent 1：网络研究 Agent — 搜索目标市场中的最新新闻、产品发布和融资轮次。并行运行。
Agent 2：竞争对手监控 Agent — 检查五个竞争对手网站的价格、功能和信息变化。并行运行。
Agent 3：社交监听 Agent — 扫描 X 和 LinkedIn 以获取相关讨论、情绪和新兴趋势。并行运行。
Agent 4：分析 Agent — 接收来自 Agent 1-3 的数据，识别五个最重要的发展，并按影响程度对每个进行评级。
Agent 5：报告撰写 Agent — 获取分析结果并生成带有建议的格式化高管简报。
Agent 6：质量审查 Agent — 根据定义的评分标准检查报告，标记问题，并要求撰写者进行修改。
总时间：不到 15 分钟。之前使用单个 Agent 的时间：超过一小时。之前手动完成的时间：半天。
报告每周一早上 8 点到达 Google Drive。团队边喝咖啡边阅读。
常见的多 Agent 错误及如何避免
错误 1：让每个 Agent 都过于通用。多 Agent 的全部意义在于专业化。如果你的研究 Agent 也在做分析和写作，那你就错过了重点。每个 Agent 应该只做一件事，并且做得非常好。窄而精则强。宽而泛则弱。
错误 2：没有标准化输出格式。如果你的研究 Agent 产生自由格式的段落，而你的分析 Agent 期望结构化的 JSON，交接就会中断。在构建任何 Agent 之前，定义 Agent 之间的数据契约。有哪些字段？什么格式？如果某个字段为空怎么办？
错误 3：过早并行运行太多 Agent。从两个 Agent 在一个简单的流水线中开始。让通信正常工作。然后添加第三个。然后第四个。每次添加都会引入复杂性。增量管理。
错误 4：Agent 之间没有错误处理。当管道中的一个 Agent 失败时会发生什么？整个系统崩溃吗？下一个 Agent 会收到垃圾输入吗？构建明确的回退行为。"如果定价数据不可用，则使用历史数据继续，并在最终报告中标记缺口。"
错误 5：忽略 Token 成本。多 Agent 设置比单 Agent 运行使用更多的 Token。每个 Agent 都有自己的上下文、自己的推理和自己的输出。监控你的使用情况，并优化提示以使其简洁而不失必要的细节。
未来是多 Agent 的
Anthropic 构建多 Agent 编排并不是作为锦上添花的功能。他们正在将其构建为 AI 系统未来工作的基本架构。
在 Code with Claude 活动中，Anthropic 展示了他们自己的 Cowork 产品就是使用这种架构构建的。多个专业 Agent 协作处理复杂任务。自主构建东西的工具是由自主工作的工具构建的。
苹果刚刚宣布，Claude 将通过新的 Extensions 系统与 iOS 27 集成，与其他 AI 服务一起。随着 Claude 嵌入更多工作流程和更多设备，多 Agent 成为处理复杂跨领域任务的自然方式。
今天投资于多 Agent 基础设施的公司——Netflix、Harvey、Shopify、Mercado Libre——并不是为了好玩。他们这样做是因为单 Agent 方法无法扩展到他们现实世界问题的复杂性。
而那些现在学习这些模式的个人构建者，将在不久的将来拥有价值不菲的技能。
实话实说
多 Agent 系统不是魔法。它们是将软件工程应用于 AI。
基础与构建任何基于团队的系统相同：明确的角色、明确的沟通、定义的接口、错误处理和迭代。
不同之处在于，这个"团队"的成本是你的 Claude 订阅，而不是六份薪水，它 7x24 小时不间断工作，并且通过 Dreaming 随着时间的推移变得更好。
我们正处于多 Agent 时代的开端。那些现在——2026 年 5 月——就弄清楚这些模式的人，当这成为所有 AI 系统工作的默认方式时，将拥有巨大的先发优势。
大多数人会读到这篇文章，认为多 Agent 对他们来说"太高级了"。而那些本周就构建出第一个双 Agent 流水线的人会发现，它比他们想象的要简单得多。
关注我 @eng_khairallah1 获取更多 AI 课程、工具和工作流程。每周更新新内容。
希望对你有用，Khairallah ❤️
