我最近看到一個(gè)很有意思的現(xiàn)象，說(shuō)實(shí)話，這在AI圈還挺少見(jiàn)的。

兩個(gè)頂級(jí)AI公司，Anthropic和Cognition，在同一個(gè)技術(shù)問(wèn)題上給出了完全相反的答案。而且不是普通的小分歧，是那種根本性的、關(guān)乎整個(gè)技術(shù)路線的大分歧。

什么問(wèn)題這么有爭(zhēng)議？多智能體架構(gòu)。簡(jiǎn)單說(shuō)就是讓多個(gè)AI智能體協(xié)同工作，還是讓單個(gè)智能體獨(dú)自完成任務(wù)。

你想想，這就像兩個(gè)頂級(jí)廚師，一個(gè)堅(jiān)持說(shuō)做大餐必須要團(tuán)隊(duì)協(xié)作，每個(gè)人負(fù)責(zé)不同的菜；另一個(gè)堅(jiān)持說(shuō)只有一個(gè)主廚獨(dú)自完成，才能保證口味的一致性。

爭(zhēng)論的核心在于"可靠性"這個(gè)關(guān)鍵詞。

Cognition的負(fù)責(zé)人Walden發(fā)了一篇博客叫《Don't Build Multi-Agents》，開門見(jiàn)山地警告大家：別搞多智能體，這玩意兒很脆弱！

Cognition認(rèn)為多智能體架構(gòu)非常脆弱，關(guān)鍵的失敗點(diǎn)在于子智能體可能誤解任務(wù)并產(chǎn)生不一致的結(jié)果，導(dǎo)致最終的智能體難以整合這些誤解。

他們的邏輯很直接：當(dāng)你讓一個(gè)主智能體把"做Flappy Bird游戲"的任務(wù)分給兩個(gè)子智能體，一個(gè)負(fù)責(zé)背景，一個(gè)負(fù)責(zé)小鳥，結(jié)果可能是——背景做成了超級(jí)馬里奧風(fēng)格，小鳥完全不像游戲素材。最后主智能體拿到這兩個(gè)"誤解"，怎么整合？

但Anthropic完全不這么看。他們不僅在用多智能體，還專門寫了一篇技術(shù)博客來(lái)"炫耀"他們的多智能體研究系統(tǒng)有多牛。

數(shù)據(jù)顯示90.2%的性能提升，這意味著多智能體系統(tǒng)在復(fù)雜研究任務(wù)上幾乎是單智能體的兩倍效果。

Anthropic的核心觀點(diǎn)是：多智能體系統(tǒng)是擴(kuò)展性能的關(guān)鍵方式。特別是對(duì)于那些信息量超出單個(gè)上下文窗口、需要大量并行化處理的任務(wù)。

搜索的本質(zhì)是壓縮：從龐大的語(yǔ)料庫(kù)中提煉洞察。子智能體通過(guò)并行操作，各自在獨(dú)立的上下文窗口中探索問(wèn)題的不同方面，然后為主研究智能體壓縮最重要的信息。

聽(tīng)起來(lái)很有道理吧？但成本也很現(xiàn)實(shí)：多智能體系統(tǒng)消耗的token是普通聊天的15倍。

那問(wèn)題來(lái)了，誰(shuí)對(duì)誰(shuí)錯(cuò)？

我的判斷是，他們其實(shí)都對(duì)，只是適用場(chǎng)景完全不同。

Cognition做的是Devin，一個(gè)編程智能體。編程任務(wù)有個(gè)特點(diǎn)：上下文依賴性極強(qiáng)。你改一行代碼，可能影響整個(gè)項(xiàng)目的邏輯。在這種情況下，讓多個(gè)智能體并行工作，確實(shí)容易出現(xiàn)不一致的問(wèn)題。

而Anthropic的Research功能，處理的是研究類任務(wù)。比如"分析AI代理公司在2025年的發(fā)展趨勢(shì)"，這種任務(wù)天然就可以拆分成獨(dú)立的子任務(wù)：市場(chǎng)分析、技術(shù)趨勢(shì)、投資動(dòng)向等等。各個(gè)子任務(wù)之間關(guān)聯(lián)性不強(qiáng)，正好適合并行處理。

但這背后還有更深層的考量。

Cognition強(qiáng)調(diào)的"上下文工程"，其實(shí)是在解決一個(gè)根本性問(wèn)題：如何保證智能體的決策一致性。他們提出兩個(gè)核心原則：

1. 共享上下文 - 不只是消息，要共享完整的智能體執(zhí)行軌跡

2. 動(dòng)作承載隱含決策 - 沖突的決策會(huì)帶來(lái)糟糕的結(jié)果

說(shuō)白了，就是害怕"雞同鴨講"。

而Anthropic的解決方案更工程化：

? 用"協(xié)調(diào)者-工作者"模式，主智能體負(fù)責(zé)總體協(xié)調(diào)

? 給子智能體提供詳細(xì)的任務(wù)描述，包括目標(biāo)、輸出格式、工具指南

? 用"內(nèi)存"機(jī)制持久化上下文，防止重要信息丟失

最有趣的是token消耗的問(wèn)題。

Anthropic很坦誠(chéng)：智能體比普通聊天多用4倍token，多智能體系統(tǒng)多用15倍。但他們的邏輯是，在他們的分析中，token使用量本身就能解釋80%的性能差異。

多智能體系統(tǒng)的核心價(jià)值在于幫助花費(fèi)足夠的token來(lái)解決問(wèn)題。最新的Claude模型在token使用上有很大的效率倍增效果。

這就像是說(shuō)，錢不是問(wèn)題，關(guān)鍵是花錢要花得值。

但Cognition顯然不這么看。他們更關(guān)心的是在資源約束下的可靠性。畢竟，做一個(gè)編程任務(wù)，用戶不希望系統(tǒng)"燒錢"卻給出錯(cuò)誤代碼。

這個(gè)爭(zhēng)論對(duì)我們有什么啟發(fā)？

首先，別迷信大公司的技術(shù)選擇。即使是頂級(jí)AI公司，面對(duì)同一個(gè)技術(shù)問(wèn)題，也可能得出完全相反的結(jié)論。關(guān)鍵是理解背后的場(chǎng)景和約束。

其次，技術(shù)架構(gòu)沒(méi)有絕對(duì)的對(duì)錯(cuò)，只有適合不適合。如果你在做需要嚴(yán)格一致性的任務(wù)（比如代碼生成、金融交易），單智能體可能更可靠。如果你在做可以并行化的開放性任務(wù)（比如市場(chǎng)研究、內(nèi)容創(chuàng)作），多智能體可能更高效。

最后，這個(gè)爭(zhēng)論本身就很有價(jià)值。它提醒我們，AI Agent的架構(gòu)設(shè)計(jì)還遠(yuǎn)沒(méi)有成熟，還有很大的探索空間。

與其糾結(jié)誰(shuí)對(duì)誰(shuí)錯(cuò)，不如想想自己的具體需求。

畢竟，最好的架構(gòu)不是最先進(jìn)的，而是最適合你的問(wèn)題的。正如Anthropic在文章最后說(shuō)的：構(gòu)建AI智能體時(shí)，最后一公里往往成為大部分的旅程。

我因看見(jiàn)技術(shù)的分歧而激動(dòng)如大海。這說(shuō)明我們還在一個(gè)充滿可能性的時(shí)代。