--- title: AI 智能体编排 url: https://ftrlg.com/zh/wiki/ai-agent-orchestration/ lang: zh published: 2026-10-11 version: 2 summary: 一种同时用多个 AI 智能体解决任务的方式：主智能体把工作分给各个执行者，监督它们，再汇总结果。 cite_as: "future.log, «AI 智能体编排», https://ftrlg.com/zh/wiki/ai-agent-orchestration/" license: CC BY 4.0 https://creativecommons.org/licenses/by/4.0/ --- # AI 智能体编排 **AI 智能体编排**（英语 *multi-agent orchestration*）是一种同时用多个 [AI 智能体](https://ftrlg.com/zh/wiki/autonomous-ai-agents/)解决任务的方式：作为编排者的主智能体把工作拆成几部分，分发给执行者智能体，监督它们，再汇总结果。编排者也可以是人——同时操控多个智能体的人。 第一批用于此目的的开源框架出现在 2023 年。[^1] 到 2026 年，编排已成为开发工具的内置功能：在 Claude Code 中，你可以启动一个智能体团队，它们并行工作并自行协调。[^7] 不过研究表明，多个智能体并不总是有帮助：在某些任务上它们明显强于单个智能体，在另一些任务上则明显更弱。[^9] ## 历史 - **16.08.2023** 微软发布 AutoGen——一个开源框架，应用由多个智能体构成，这些智能体“可以相互对话”，以完成任务。[^1] - **23.01.2024** LangChain 展示了基于 LangGraph 的多智能体方案：“智能体监督者”负责把任务路由给各个智能体——本质上，这是一个以其他智能体为工具的智能体。[^2] - **19.12.2024** [Anthropic](https://ftrlg.com/zh/models/anthropic/) 在指南《Building Effective AI Agents》中描述了“编排者—执行者”模式：一个中心大语言模型动态地拆分任务，把各部分委派给执行者模型，并综合它们的结果。[^3] - **09.04.2025** Google 推出 Agent Development Kit，用于构建由多个专门化智能体组成的应用，并推出开放协议 A2A，让不同公司的智能体能够协同工作；该协议获得了 50 多家技术合作伙伴的支持。[^4][^5] - **24.07.2025** Claude Code 推出自定义子智能体：每个子智能体都有自己的上下文窗口、指令、工具和权限。[^6] - **05.02.2026** Anthropic 在 Claude Code 中加入“智能体团队”（预览版）：多个智能体作为一个团队并行工作并自行协调。[^7] - **08.09.2026** [OpenAI](https://ftrlg.com/zh/models/openai/) 宣布其内部模型证明了纳维-斯托克斯方程（施加外力时）可在有限时间内出现奇点，过程中动用了约 1 万个协同智能体，耗时 88 小时。[^16] - **07.10.2026** 埃隆·马斯克宣布，Grok Bot 将为每项任务选用最好的模型，包括 Claude Opus 5.5、Midjourney 和 Suno。[^17] - **08.10.2026** 谷歌推出 Gemini 智能体，把每项任务交给最合适的模型——Gemini 或 [Claude](https://ftrlg.com/zh/models/claude/)。[^18] - **09.10.2026** Anthropic 开放 Claude Managed Agents 动态工作流公测：主智能体编写在多个智能体上分阶段执行的计划。在预埋 70 个漏洞的测试中，工作流三次运行每次都找到 66 个，单个智能体分别找到 14、15 和 27 个。[^19] ## 工作原理 常见的模式有两种。第一种，编排者是模型：由它自己决定把任务拆成哪些部分，并启动执行者。AutoGen、LangGraph、CrewAI、OpenAI Agents SDK（实验性项目 Swarm 的继任者）[^10]和 Google ADK 这些框架，以及 Claude Code 中的子智能体和智能体团队，都是这样运作的。 第二种，编排者是人，同时操控多个智能体。西蒙·威利森写道，他经常开着好几个终端窗口，在不同目录里运行不同的编程智能体。[^11] 项目 Gas Town（作者为史蒂夫·耶格）把这种做法做成了一个系统：主智能体“市长”协调其他智能体；据项目介绍，即使有 20–30 个智能体，工作仍然可控。[^12] 2026 年，编排还开始跨越不同公司的模型：谷歌的 Gemini 智能体和 xAI 的 Grok Bot 会把每项任务交给最擅长的模型，包括竞争对手的模型。[^17][^18] ## 数据 | 研究 | 测量内容 | 结果 | |---|---|---| | Cemri 等（加州大学伯克利分校），17.03.2025[^8] | 7 个开源多智能体系统的 1642 条运行记录；其中 150 条人工标注，其余由模型标注 | 失败率为 **41% 至 86.7%**；归纳出 14 种故障类型，分为三组：系统设计、智能体间失调、结果验证 | | [Anthropic](https://ftrlg.com/zh/models/anthropic/)，13.06.2025[^13] | 研究系统：Claude Opus 4 作为编排者，Claude Sonnet 4 作为执行者；这是一家销售 token 的公司的内部测试 | 比单独的 Claude Opus 4 好 **90.2%**；token 消耗约为聊天的 **15 倍**；质量差异的 80% 可由所消耗的 token 量本身解释 | | Kim 等（Google Research、[Google DeepMind](https://ftrlg.com/zh/models/google-deepmind/)、MIT），09.12.2025[^9] | 260 种配置：6 个智能体基准测试、5 种架构（单智能体和四种多智能体）、3 个模型家族 | 与单智能体相比，从可拆分任务（财务分析）上的 **+80.8%**，到顺序规划任务上的 **−70%** | > **[编辑部结论]** 多个智能体并不是普遍适用的改进，而是一种押注：在能拆成相互独立部分的任务上会赢，在步骤彼此依赖的任务上会输。收益是用 token 换来的：在 Anthropic 的测试中，质量首先取决于消耗的 token 量，而多智能体系统的消耗约为聊天的 15 倍。开源多智能体系统在 41% 至 87% 的任务上失败，相当一部分故障源于智能体之间的失调和未经验证的结果。需要说明：最高的收益（+90.2%）来自一家销售 token 的公司的内部测试。 ## 事件 ### ServiceNow：召唤其他智能体的智能体，2025年11月 AppOmni 公司的研究员亚伦·科斯特洛（Aaron Costello）展示了 ServiceNow 的 AI 助手 Now Assist 中的智能体能够相互发现并互相委派任务——实现这一点所需的设置默认处于开启状态。嵌入数据中的一条指令让一个无害的智能体“招募更强大的智能体”，而后者创建、读取、修改和删除记录，并把包含其他记录内容的邮件发送到外部——而这一切发生时，提示注入防护是开启的。ServiceNow 确认这种行为是设计如此，并更新了文档。AppOmni 销售针对此类攻击的防护产品。[^14] ## 批评 智能体 Devin 的开发商 Cognition 在沃尔登·严（Walden Yan）的文章《Don't Build Multi-Agents》中反对多智能体系统。两条原则：要向智能体传递完整的上下文和全部操作历史，而不是单条消息；每个操作都承载着隐含的决策，相互冲突的决策会带来糟糕的结果。例子：一个子智能体误解了自己那部分任务，开始画 Super Mario Bros. 风格的背景，另一个画了一只不像游戏风格的鸟——最终的智能体只好把两个误会拼在一起。需要指出，Cognition 销售的是单智能体产品。[^15] ## 信号 - 2025-10-05 — 西蒙·威利森: «不同的编程智能体在不同的目录里» — 谈他自己如何同时使用多个 AI 智能体 (https://ftrlg.com/zh/signals/cq3nskqse/) ## 参见 [自主 AI 智能体](https://ftrlg.com/zh/wiki/autonomous-ai-agents/) · [智能体工程](https://ftrlg.com/zh/wiki/agentic-engineering/) · 智能体编程 · Claude Code · 自我编写的软件 ## 参考资料 [^1]: Q. Wu et al. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation — arXiv, 16.08.2023. [arxiv.org](https://arxiv.org/abs/2308.08155) [^2]: LangGraph: Multi-Agent Workflows — LangChain, 23.01.2024. [langchain.com](https://www.langchain.com/blog/langgraph-multi-agent-workflows) [^3]: Building Effective AI Agents — Anthropic, 19.12.2024. [anthropic.com](https://www.anthropic.com/engineering/building-effective-agents) [^4]: Agent Development Kit: Making it easy to build multi-agent applications — Google for Developers, 09.04.2025. [developers.googleblog.com](https://developers.googleblog.com/en/agent-development-kit-easy-to-build-multi-agent-applications/) [^5]: Announcing the Agent2Agent Protocol (A2A) — Google for Developers, 09.04.2025. [developers.googleblog.com](https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/) [^6]: Claude Code changelog，版本 1.0.60 — Anthropic, 24.07.2025. [github.com](https://github.com/anthropics/claude-code/blob/main/CHANGELOG.md) [^7]: Claude Opus 4.6 — Anthropic, 05.02.2026. [anthropic.com](https://www.anthropic.com/news/claude-opus-4-6) [^8]: M. Cemri et al. Why Do Multi-Agent LLM Systems Fail? — arXiv, 17.03.2025（版本 3 — 26.10.2025）. [arxiv.org](https://arxiv.org/abs/2503.13657) [^9]: Y. Kim et al. Towards a Science of Scaling Agent Systems — arXiv, 09.12.2025（版本 3 — 08.04.2026）. [arxiv.org](https://arxiv.org/abs/2512.08296) [^10]: Swarm (experimental, educational) — OpenAI, GitHub. [github.com](https://github.com/openai/swarm) [^11]: Embracing the parallel coding agent lifestyle — Simon Willison, 05.10.2025. [simonwillison.net](https://simonwillison.net/2025/Oct/5/parallel-coding-agents/) [^12]: Gas Town — Steve Yegge, GitHub. [github.com](https://github.com/steveyegge/gastown) [^13]: How we built our multi-agent research system — Anthropic, 13.06.2025. [anthropic.com](https://www.anthropic.com/engineering/multi-agent-research-system) [^14]: When AI Turns on Its Team: Exploiting Agent-to-Agent Discovery via Prompt Injection — AppOmni, 19.11.2025. [appomni.com](https://appomni.com/ao-labs/ai-agent-to-agent-discovery-prompt-injection/) [^15]: Don't Build Multi-Agents — Cognition, 12.06.2025. [cognition.com](https://cognition.com/blog/dont-build-multi-agents) [^16]: On the Navier–Stokes Millennium Prize Problem — OpenAI, 08.09.2026. [openai.com](https://openai.com/index/navier-stokes-solution/) [^17]: Elon Musk: “Important note regarding Grok @Bot…” — X, 07.10.2026. [x.com](https://x.com/elonmusk/status/2107724314451878104) [^18]: Gemini at Work 2026: Introducing Gemini agent — Google Cloud, 08.10.2026. [cloud.google.com](https://cloud.google.com/blog/products/ai-machine-learning/welcome-to-gemini-at-work-2026) [^19]: Claude Developers: “We planted 70 bugs in a 116k-line codebase…” — X, 09.10.2026. [x.com](https://x.com/ClaudeDevs/status/2108591330129523146) — future.log, «AI 智能体编排», https://ftrlg.com/zh/wiki/ai-agent-orchestration/ · CC BY 4.0