Multi-Agent 是 2026 年 AI 圈最热的词之一。

一个 Agent 负责规划。
一个 Agent 负责执行。
一个 Agent 负责审查。
一个 Agent 负责测试。
它们互相讨论、互相纠错、自动分工，像一个不知疲倦的虚拟团队。

演示视频里，这个画面非常迷人。

但真正把 Multi-Agent 系统投入使用的团队，很多会经历一个幻灭的过程：

三个 AI 一起干活，常常不如一个。

不是 Multi-Agent 的方向错了。
而是大多数人低估了协作本身的成本。

一个朴素的事实：协作是有价格的

人类社会早就验证过这件事。

一个人干活，效率最高，但能力有上限。
十个人协作，能力上限高了，但沟通成本、协调成本、等待成本全都来了。
管理学的很大一部分，就是在研究怎么让协作的收益大于协作的损耗。

AI Agent 的协作，逃不开同一个规律。

每增加一个 Agent，增加的究竟是什么？

多一次规划与执行之间的信息传递。
多一轮执行与审查之间的往返确认。
多一层"你说的和我说的不是一个意思"的理解偏差。
多一份上下文在多个智能体之间同步的消耗。

一个 Agent 犯错，是它自己犯错。
三个 Agent 协作犯错，是错误在传递中被放大、被稀释、被推诿——最后没有人能说清错误是从哪一环开始的。

Multi-Agent 系统的三种典型死法

观察失败的多智能体项目，死法高度集中。

第一种：会议死。

规划 Agent 出一个方案。
执行 Agent 提出疑问。
审查 Agent 表示担忧。
规划 Agent 修订方案。
审查 Agent 再次表示担忧。

五个 Agent 讨论了二十轮，Token 烧掉一大把，任务本身一步没动。

AI 不会累，不会不耐烦，不会说"先干起来再说"。
所以它们可以永远礼貌地讨论下去。

没有终止机制的协作，就是无限会议。

第二种：传话死。

第一个 Agent 理解了用户意图的 90%。
传给第二个 Agent，信息保真度再打九折。
第三个 Agent 拿到的，已经是原意 70% 的残片。

每个 Agent 都没犯明显的错。
但最终产出和最初的目标，已经南辕北辙。

这就是传话游戏的工程版。
链路上的每一次转述，都是一次有损压缩。

第三种：甩锅死。

执行 Agent 产出了一个错误结果。
审查 Agent 的责任是发现问题——但它和执行 Agent 共享同样的上下文、同样的偏差、同样的盲区。

自己审自己，大概率审不出问题。

等人类发现错误时，五个 Agent 都"完成了自己的工作"。
没有哪个环节可以问责。
系统整体对了还是错了，没人负责。

什么时候 Multi-Agent 才真正有价值

批评了这么多，不是为了否定多智能体。

而是为了说清楚：它只在特定的任务结构里，收益才大于成本。

第一种值得的场景：任务天然可以并行拆解。

分析五十份文档。
扫描几百个文件的代码规范问题。
对二十个候选方案做独立评估。

这类任务的特点是：子任务之间几乎不需要沟通。
各干各的，最后汇总。
协作成本趋近于零，并行收益是纯粹的。

第二种值得的场景：需要真正的视角对抗。

生成方案的是一个 Agent。
挑毛病的是另一个 Agent——关键是，它必须有不同的上下文、不同的目标函数。

红队 Agent 的任务就是攻击方案的漏洞。
它的"立场"和生成者是对立的。

这种对抗性结构有价值，因为它不是同一个人换了个头衔。
它是真的换了一个脑子。

第三种值得的场景：环节之间需要强制隔离。

生成代码的 Agent 不能碰生产环境。
审查安全的 Agent 不能修改代码。
拥有写权限的 Agent 看不到用户的隐私数据。

这里的多智能体不是为了效率，是为了安全。
用物理隔离代替信任假设。

工程上，怎么让多智能体不翻车

如果确实要用 Multi-Agent，有几条经过验证的工程纪律。

纪律一：默认单 Agent，多 Agent 需要举证。

先问：一个足够强的 Agent 加上好的上下文，能不能完成？
能，就不要拆。
拆分的理由必须写清楚：是并行收益？是对抗需要？还是权限隔离？

纪律二：Agent 之间传递的是结构化产物，不是自由对话。

Handoff
├── task_id     任务编号
├── input       上游产出的结构化结果
├── constraints 不可违反的约束
├── expected    下游必须交付的格式
└── deadline    最多允许几轮交互

自由对话是协作成本的黑洞。
结构化交接把"传话游戏"变成"流水线传递"。

纪律三：给协作设预算。

最多讨论几轮。
最多消耗多少 token。
超时之后是自动收敛还是上报人类。

没有预算的协作，就是前面说的"无限会议"。

纪律四：审查者必须与生成者隔离。

不同的上下文。
不同的提示目标。
最好能拿到生成者没见过的信息——比如独立的测试数据、独立的验收标准。

否则审查只是形式主义的盖章。

纪律五：人类握有最终的合并权和裁决权。

多个 Agent 意见不一致时，必须有一个明确的仲裁者。
这个仲裁者，在关键任务上只能是人。

一个更冷静的判断

Multi-Agent 的叙事之所以迷人，是因为它迎合了一个直觉：

一个 AI 已经这么强了，一群 AI 岂不是无敌？

但工程史一再证明：

系统的能力，不取决于组件能力的简单相加。
取决于组件之间的连接质量。

连接不好，三个臭皮匠不如一个诸葛亮。
连接好了，才真正可能出现"整体大于部分之和"。

而连接质量——接口设计、交接协议、终止机制、仲裁规则——这些都不性感，都不会出现在演示视频里。

但它们是 Multi-Agent 从玩具变成工具的全部秘密。

写在最后

ChatGPT 和 Codex 的单体能力还在快速进化。

这意味着一个反直觉的结论：

今天需要五个 Agent 分工的任务，明年可能一个 Agent 就够了。
单体能力的提升速度，常常快过协作框架的成熟速度。

所以押注 Multi-Agent 的正确姿势，不是追求 Agent 的数量。
而是把协作的协议、接口、纪律做扎实。

这些工程资产，不会因为模型升级而贬值。
Agent 越强，好的协作协议发挥的价值越大。

数量制造热闹。
结构产生能力。

未来优秀的系统设计，不是 Agent 最多的系统。
而是每一个 Agent 的存在都有不可替代理由的系统。