Multi-agent research systems
Multi-agent research systems 指一类专门面向开放式研究任务设计的多智能体系统：一个 lead agent 负责问题拆解、策略调整和结果综合，多个 subagent 并行搜索不同方向，再把压缩后的发现回传给上层协调者。这种结构的核心目的不是“更像团队”，而是用多个独立 context window 扩展探索广度和 reasoning 容量。
- 这类系统通常采用
orchestrator-worker结构，但它和通用并行 worker 的差别在于：子任务会随着中间发现不断被重写，而不是一开始就完全固定。 - 研究任务之所以适合这种结构，是因为问题往往开放、路径依赖强、并且需要根据中间结果不断 pivot，单 agent 的顺序式搜索很容易遗漏关键方向。
- subagent 的一大价值是“压缩”。它们不是把所有中间结果原样回传，而是先在本地 context 里完成筛选、比较、去噪和总结，再把高信号发现交给 lead agent。
- 这类系统通常高度依赖良好的任务委派。lead agent 必须把目标、输出格式、工具边界、信息范围和分工差异说清楚，否则 subagent 很容易重复劳动或留下覆盖空洞。
- 它也高度依赖 effort budgeting。不同复杂度的问题需要不同 subagent 数量和 tool call 预算，否则系统会在简单任务上过度烧 token，在复杂任务上又投入不足。
- 这个概念与 Agent teams 相关，但不相同。前者更强调研究型信息探索和上下文压缩，后者更偏共享代码库中的长期协作与工程交接。
- 它也与 Evaluation harness 直接相关，因为这种系统往往不存在唯一正确路径，更适合做 outcome-based evaluation、合理过程评估和 end-state evaluation。
- 它还与 Tool ergonomics for agents 高度耦合。研究 agent 必须先理解自己有哪些工具、每个工具适合什么信息空间、何时该优先用专用工具，而不是盲目 web search。
- 当 research 结果需要可追溯性时，这类系统通常还会加一个 citation 层或 artifact 层，把最终结论和具体 source location 再做一次对齐。
ℹ️ Conflict:
- 这类系统并不适合所有任务。若子任务之间依赖很强、必须共享同一上下文、或几乎没有天然并行度，多智能体只会增加协调开销。
- 更高性能常常来自更高 token 消耗，因此经济可行性是这类系统的核心约束，而不是后置优化问题。
- lead/subagent 同步执行更容易实现，但会牺牲更深层次的并行协作；异步设计虽然潜力更大，但也更难保证状态一致性和错误隔离。
- How we built our multi-agent research system
- Agent teams
- Evaluation harness
- Tool ergonomics for agents
- BrowseComp
- Anthropic
- Agentic engineering
- Anthropic, “How we built our multi-agent research system”, 2025-06-13.
- 原文摘录：[llm-wiki/raw/anthropic/How we built our multi-agent research system](/raw/anthropic/How we built our multi-agent research system.md)