我最近看到一個很有意思的現(xiàn)象，說實話，這在AI圈還挺少見的。

兩個頂級AI公司，Anthropic和Cognition，在同一個技術(shù)問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)乎整個技術(shù)路線的大分歧。

什么問題這么有爭議？多智能體架構(gòu)。簡單說就是讓多個AI智能體協(xié)同工作，還是讓單個智能體獨自完成任務(wù)。

你想想，這就像兩個頂級廚師，一個堅持說做大餐必須要團隊協(xié)作，每個人負(fù)責(zé)不同的菜；另一個堅持說只有一個主廚獨自完成，才能保證口味的一致性。

爭論的核心在于"可靠性"這個關(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)你讓一個主智能體把"做Flappy Bird游戲"的任務(wù)分給兩個子智能體，一個負(fù)責(zé)背景，一個負(fù)責(zé)小鳥，結(jié)果可能是——背景做成了超級馬里奧風(fēng)格，小鳥完全不像游戲素材。最后主智能體拿到這兩個"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"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的核心觀點是：多智能體系統(tǒng)是擴展性能的關(guān)鍵方式。特別是對于那些信息量超出單個上下文窗口、需要大量并行化處理的任務(wù)。

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

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

那問題來了，誰對誰錯？

我的判斷是，他們其實都對，只是適用場景完全不同。

Cognition做的是Devin，一個編程智能體。編程任務(wù)有個特點：上下文依賴性極強。你改一行代碼，可能影響整個項目的邏輯。在這種情況下，讓多個智能體并行工作，確實容易出現(xiàn)不一致的問題。

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"，這種任務(wù)天然就可以拆分成獨立的子任務(wù)：市場分析、技術(shù)趨勢、投資動向等等。各個子任務(wù)之間關(guān)聯(lián)性不強，正好適合并行處理。

但這背后還有更深層的考量。

Cognition強調(diào)的"上下文工程"，其實是在解決一個根本性問題：如何保證智能體的決策一致性。他們提出兩個核心原則：

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. 動作承載隱含決策 - 沖突的決策會帶來糟糕的結(jié)果

說白了，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消耗的問題。

Anthropic很坦誠：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)的核心價值在于幫助花費足夠的token來解決問題。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，錢不是問題，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，做一個編程任務(wù)，用戶不希望系統(tǒng)"燒錢"卻給出錯誤代碼。

這個爭論對我們有什么啟發(fā)？

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

其次，技術(shù)架構(gòu)沒有絕對的對錯，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)（比如市場研究、內(nèi)容創(chuàng)作），多智能體可能更高效。

最后，這個爭論本身就很有價值。它提醒我們，AI Agent的架構(gòu)設(shè)計還遠(yuǎn)沒有成熟，還有很大的探索空間。

與其糾結(jié)誰對誰錯，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，而是最適合你的問題的。正如Anthropic在文章最后說的：構(gòu)建AI智能體時，最后一公里往往成為大部分的旅程。

我因看見技術(shù)的分歧而激動如大海。這說明我們還在一個充滿可能性的時代。