同一个游戏，$9 做出来的核心玩法是坏的，$200 做出来的能玩。 Anthropic 工程师用实战告诉你，多智能体协作框架是怎么工作的。
同一个任务，两种做法，结果让人无法忽视。
第一次：让一个 AI 单独去做，花了20分钟，花了 9美元。游戏界面出来了，但核心玩法是坏的，角色根本不响应操作。
第二次：用一套多智能体系统去做，花了6小时，花了 200美元。游戏能玩了，画面有质感，内置了 AI 辅助生成精灵图和关卡的功能。
20倍的时间、22倍的钱，换来的是什么？
这不是一篇吹嘘 AI 的文章。这是 Anthropic 工程师在实战中搞清楚的一件事：要让 AI 真正做好长时间、复杂的任务，光靠一个聪明的模型是不够的。你需要设计一套系统。
单个 AI 会在哪里垮掉
在搞清楚"系统怎么设计"之前，先要搞清楚"单个 AI 会在哪里出问题"。
总结下来，有两个核心缺陷。
缺陷一：上下文退化
AI 模型处理信息的方式，可以想象成一个白板。你往上面写的东西越多，前面的内容就越难看清楚。随着任务越来越长，模型会逐渐失去对整体目标的把握，开始产生前后矛盾、逻辑断裂。
有些模型甚至会产生"上下文焦虑"——它感觉白板快写满了，于是提前宣告"工作完成"，即使任务根本没完成。
解决这个问题的方式，不是压缩上下文，而是彻底清空，重新来过。给模型一块全新的白板继续工作。
缺陷二：自我评估偏差
让 AI 评估自己的作品，它几乎总是打高分。
对于客观任务（比如代码能不能跑）还好，因为有标准答案。但对于主观任务——比如设计好不好看、产品体验顺不顺——这个问题就很致命。AI 倾向于为自己的输出找理由，而不是真正挑剔它。
这两个问题，指向同一个解法：把"做"和"评"分开，让不同的 AI 负责。
从 GAN 借来的思路
一个 GAN（生成对抗网络）由两个网络组成：生成器和判别器。生成器负责造假，判别器负责打假。两者对抗训练，生成器越来越能骗过判别器，判别器也越来越能识别造假。
这种"对抗"的思路，恰好可以用来解决 AI 的自我评估偏差问题。
Anthropic 的工程师把这种思路迁移到了 AI 任务执行上：
- 生成器 Agent：负责执行任务，产出结果
- 判别器 Agent：负责评估结果，挑毛病
两者分工明确，互相独立。判别器不会因为"已经花了20分钟"就手下留情，生成器也不会因为"这是我做的"就拒绝修改。
多智能体系统的基本结构
基于这个思路，Anthropic 工程师搭建了一套多智能体协作框架。核心组件有三个：
1. 规划器（Planner）
负责把大任务拆成小任务。它需要理解用户需求，把"做一个游戏"拆成"设计游戏机制"、“实现核心逻辑”、“制作美术资源”、“测试与调优"等步骤。
规划器不执行任何任务，只负责规划和分配。
2. 执行器（Executor）
负责具体执行。每个执行器拿到自己的任务后，独立工作，互不干扰。
多个执行器可以并行，也可以串行。关键是要保持各自的上下文干净，不被其他执行器的产出污染。
3. 评估器（Evaluator）
负责检验结果。它会拿到执行器的产出，然后按照预设的标准进行评估。
评估器可以是：
- 自动评估：代码能不能跑、单元测试过不过关
- 人工评估：设计好不好看、体验顺不顺
- AI 评估：但要选择与执行器不同的模型，避免偏差
关键设计原则
原则一：任务边界要清晰
每个执行器执行的任务，要有明确的输入和输出定义。模糊的任务边界会导致：
- 执行器之间互相依赖，变成串行
- 上下文污染，一个执行器的产出影响了另一个
- 无法并行，失去效率优势
原则二：评估标准要客观
如果评估标准本身是主观的（比如"好不好看”），那评估器很难做到公正。
解决方案是：
- 尽可能把主观标准客观化（“点击率是否提升”、“用户留存是否增加”）
- 当无法客观化时，使用独立的第三方评估器
- 人工介入的关键节点，保持人工最终决策权
原则三：上下文要隔离
这是最容易出问题的地方。
当一个执行器完成了自己的任务，下一个执行器开始工作时，应该拿到的是：
- 任务的原始需求
- 自己任务的明确指示
- 必要的上下文信息
而不应该是：
- 上一个执行器的完整思考过程
- 所有历史产出的大杂烩
- 来自多个执行器的相互矛盾的反馈
实际应用场景
这种框架适合什么样的任务？
适合的场景：
- 复杂的多步骤任务（需要规划、执行、验证多个环节）
- 主观评估为主的任务（设计、创意、内容创作）
- 需要并行加速的任务（多个子任务可以同时执行）
- 需要质量控制的任务（不能接受明显错误）
不太适合的场景：
- 单步骤的简单任务（一个 prompt 能解决的不需要多智能体）
- 有明确客观标准的任务（自动化测试能解决的不需要 AI 评估）
- 实时性要求高的任务（多智能体开销太大）
成本与时间的平衡
回到开头那个例子：
- 单 AI：20分钟，9美元
- 多智能体：6小时，200美元
20倍的时间、22倍的成本，换来了什么？
换来的是一个真正能玩的游戏，而不是一个界面好看但核心玩法坏掉的半成品。
对于原型验证、头脑风暴、快速迭代的场景，单 AI 足够了。
对于要交付、要上线、要用户买单的产品，多智能体系统的成本是值得的。
总结
让 AI 做好复杂任务的关键，不是找一个更聪明的模型，而是设计一套更合理的系统。
核心要点：
- 分离"做"和"评"：用两个独立的 Agent，一个执行，一个评估
- 清晰的边界：每个 Agent 的任务要定义清楚，避免上下文污染
- 客观的评估：把主观标准客观化，或者使用独立的第三方评估
- 上下文隔离：每个 Agent 拿到的是任务需求，不是其他 Agent 的思考过程
- 成本意识：不是所有任务都需要多智能体，按需使用
想让 AI 从"能跑"到"能交付"，你需要的不只是更贵的模型，而是一套更合理的工作流系统。
原文地址：https://x.com/berryxia/status/2036605929899302950