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:
- 用户提交查询后，系统创建一个 Lead agent，启动迭代研究流程。
- 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。
- 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。
- 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。
- 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。
- 信息充分时，系统退出研究循环，将所有成果交给 CitationAgent。
- 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。
- 最终带有 citations 的研究结果返回给用户。
特点与优势
if the context window exceeds 200,000 tokens it will be truncated
支持超大上下文的研究任务（200K tokens+）
Subagents two are shown here, but it can be any number
可扩展的 Subagent 数量，也就是开发者可以按需创建
CitationAgent, which processes the documents and research report to identify specific locations for citations
支持自动引用定位与标注, CitationAgent 自动标注引用，确保每个 claim 有出处
LeadResearcher will decide whether more research is needed and create additional subagents or refine its strategy
系统具备基于中间结果动态调整和优化策略的能力
evaluate tool results using interleaved thinking
利用 interleaved thinking 提升搜索与分析的综合能力
interleaved thinking 可阅读: docs.anthropic.com/en/docs/bui…
简化下流程就是:
📌 构建原则：Prompt 工程是多代理的“指挥”
Anthropic 在实际使用中发现: Prompt 中引入人类研究员的启发式思维路径（如如何分解任务、何时评估质量、如何动态调整搜索策略），能显著提升多代理系统的完成度与稳定性。
核心策略总结就是:
1: Think like your agents.
像代理一样思考, 用仿真环境观察 prompt 对代理行为的直接影响
2: Teach the orchestrator how to delegate.
任务拆解要具体：主代理需明确告诉子代理"要查什么、用什么查、查到什么程度"
3: Scale effort to query complexity.
按任务复杂度动态分配资源：不要为简单事实类问题派 10 个代理
4: Tool design and selection are critical.
工具设计质量决定代理表现：接口要清晰、有边界、有使用建议
5: Let agents improve themselves.
让模型自我优化 Prompt 与工具说明 (Claude 4 在这方面表现极好)
6: Start wide, then narrow down.
启发式搜索，从宽到窄：避免默认过度精准查询，反而查不到有效信息
7: Guide the thinking process.
"思考过程"可视化：利用 Claude 的 extended thinking 模式提升推理链条稳定性
8: Parallel tool calling transforms speed and performance.
全面并行加速任务：并发调用子代理与工具，使复杂研究从小时级缩短至分钟
在多代理系统中，Prompt 不再只是"提问方式"，而是"任务分派+协作规则+行为准则”的总控制台。它告诉主代理如何分配角色、告诉子代理要查什么、用什么工具查、查到哪种程度。比如在查找 S&P 500 IT 公司董事会成员的任务中，正是通过清晰的任务 Prompt，主代理才能拆分出多个并行路径，让每个子代理各司其职，最终拼出完整答案。
可以看到,prompt 的重要性不言而喻, 在构建多代理（multi-agent）研究系统时，协调复杂度远高于单代理系统，因此prompt 工程成为最关键的优化手段之一.
对于每一个 Agent 的行为, 都是由 Prompt 引导的, 并且在一个多代理系统中，Prompt 不仅指导单个 Agent 的行为，还协调多个代理之间的协作关系, 如果系统出错，第一反应是回看 Prompt, 它是代理系统中最容易微调、最具观察性的接口.
📌Prompt vs Tool
前一篇我们提到了Tool-Transformation. 它关注的主要是: 如何让工具调用变得更智能、更结构化，尤其是在 Agent 系统调用外部工具时自动生成合适的提示与数据封装
而Multi-Agent 关注的更多是: 如何通过 Prompt 工程 + 工具调度 + Agent 协作机制，构建一个具备动态任务分解与高效并行能力的 Agent 系统；重点是调度策略、行为控制、思维路径引导等系统结构层面的设计
| Anthropic 多代理系统 | FastMCP 2.8 工具转换 | |
|---|---|---|
| 关注层级 | 系统层（Agent 协作、调度与任务规划） | 工具层（Tool 的描述、封装与提示转换） |
| 核心能力 | 多代理协作、Prompt 工程、并行搜索 | 工具结构优化、提示自动生成、Schema 设计 |
| 应用场景 | 如何派发任务、调度子代理、整合复杂信息 | 如何让工具被模型更好理解与正确调用 |
| 使用方式 | 系统通过 Prompt 控制工具调用策略 | 自动生成结构化提示，供系统高效使用工具 |
| 关系 | 需要结构良好的工具接口作为 Prompt 执行基础 | 提供标准化工具描述，支撑上层 Agent 调度 |
────── End ──────
总而言之, Anthropic 提出了更高阶的范式转变：
- Workflow 是预设路径执行器，适合稳定重复任务；
- Agent 则能自主决策、动态规划，更适合复杂探索性任务；
也就是重点不在 "堆模型"，而在如何通过 "prompt + 工具接口 + 反馈机制"，让每个代理更像一个"合作型研究员"。
参考文章 (推荐开发者深入阅读):
1: docs.anthropic.com/en/docs/bui…
2: www.anthropic.com/engineering…
💬 好了，今天就到这里，欢迎关注公众号CodeAgent, 周五愉快.
