multi-agent

A collection of 19 posts

mk-brain

多代理系統的協作幻覺：為何增加 Agent 不等於提升決策品質？

我們常以為增加 AI 代理人能解決更複雜的問題，但近期研究揭示了多代理系統的理論天花板。本文將從資訊理論與決策科學的角度，探討為何通訊成本與資訊壓縮，才是限制系統可靠性的真正瓶頸，而非單一代理人的智慧。這不僅是技術挑戰，更是對未來 AI 協作架構設計的根本反思。

mk-brain

多代理系統的下一步：從預設流程圖到動態遞迴分工

目前的多代理系統，常依賴我們預先畫好的流程圖來協作。但如果系統能根據任務的複雜度，動態生成解決問題的團隊呢？一個名為 ReDel 的新框架，正在探索這種「遞迴分工」的可能性。這或許才是讓 AI Agent 真正處理複雜、開放式問題的關鍵一步，讓它們從單純的執行者，進化為能夠自主規劃與組織的協作者。

mk-brain

AI 推理能力的下一步：從單一算力到內在的「思想社會」

大型語言模型的推理能力為何出現飛躍？最新研究指出，關鍵可能不在於無止盡的算力堆疊，而在於模型內部逐漸形成一個多觀點對抗、協商的「思想社會」。這項發現將深刻影響我們未來設計 AI 推理系統的思路與架構。

mk-brain

超越手寫 Prompt：多 Agent 系統產品化的真正瓶頸與解方

目前多 Agent 系統的開發，多半還停留在為每個 Agent 手寫詳細的角色 Prompt。這種直觀卻脆弱的作法，正成為產品化的一大瓶頸。一篇新研究提出了「Agent Primitives」的概念，主張將複雜的協作行為拆解成可重用、可組合的「原語」，這正是讓多 Agent 系統真正走向穩定與規模化的關鍵一步。

mk-brain

AI Agent 的社會化幻覺：為何沒有共享記憶，再多互動也只是表面功夫

你是否也曾想像，只要讓足夠多的 AI Agent 彼此互動，就能自然而然地形成一個智慧社會？然而，最新研究卻為這份樂觀澆了盆冷水。缺乏共享的社會記憶與歷史脈絡，再多的互動也只是表面功夫，難以建立深層共識。本文將深入探討，為何建立可追溯的集體記憶，才是多 Agent 系統從「表面穩定」走向「真正協作」的關鍵。

mk-brain

多 Agent 系統的下一步：告別脆弱工作流，擁抱形式化共識

當前的多 Agent 系統多半依賴靜態、線性的工作流，這不僅效率低落，也難以保證結果的可靠性。本文探討為何將分散式系統中的「形式化共識協議」引入 Agent 協作，才是實現規模化、可信賴推理的關鍵一步。

mk-brain

多 Agent 系統的勝利，是算力堆疊的幻覺嗎？

多 Agent 系統在複雜推理任務上看似優越，但一份研究揭示，當我們將「思考預算」納入考量，單一 Agent 的資訊效率與表現可能更勝一籌。本文將帶你跳脫效能分數的迷思，從成本與架構效益的角度，重新評估 Agent 協作的真實價值。

mk-brain

拋棄角色劇本：Agent 系統的未來在於自組織協作

我們習慣為 AI Agent 精心設計角色與分工，但最新研究顛覆了這個想法：一個無角色的自組織系統，效能反而更高。這篇文章將帶你深入了解，為何真正的關鍵不在於寫好劇本，而是設計一套能讓 Agent 自行探索能力、分配任務、有效協作的「組織機制」。

mk-brain

語言即協議：從 ChatDev 看多代理系統的協作新範式

過去我們認為多代理系統（multi-agent system）共享的是程式碼或 API，但 ChatDev 等框架揭示了新方向：真正的共享層是「語言」。當自然語言從使用者介面（UI）演變為代理之間的協作協議與編排層（orchestration layer），我們設計與建構 AI 系統的思維也將迎來根本轉變。

AI

從 AI 使用者到 AI Orchestrator：我如何把 Claude Code 用成多 Agent 作業系統

當 AI 不再只是回答問題，而是開始參與真實工作流程，工程能力的核心也會改變：從單點使用模型，走向調度、治理與觀測一整個多 Agent 系統。

multi-agent

我做了三個月的「七位一體」，跟 Perplexity Max 的「模型委員會」拓樸一模一樣——除了一個關鍵差別

今天看到 Perplexity Max 推出「模型委員會」（Model Council），它的拓樸跟我自己跑了三個月的「七位一體」幾乎一模一樣。但繼續往下讀，我意識到這件事的意義不是「我被抄了」或「業界終於追上了」——而是一個更有意思的問題：長得一樣的兩個東西，本質可以差非常多。

AI

我問我的四個 AI Agent「你們需要什麼」，他們異口同聲在罵Claude

事情從一份使用報告開始。

AI

你的 AI Agent 們需要一個共享大腦 — knowledge-pipeline 開源了

你的知識散落在每個 AI Agent 的 context window 裡，session 結束就消失了。knowledge-pipeline 是一條 6 層確定性管道，自動評分、路由、搜尋——零框架，純 Python，今天開源。

AI

我後悔教朋友用多 AI Agent 協作了

我教了朋友用多 AI Agent 協作框架，結果他讓三個 Agent 討論了一輪，產出一份 20 頁的架構方案——但連產品的第一個功能都還沒用過。

AI

Claude Code 的多 Agent 編排，為什麼要從 Teams 開始想

Claude Code 的多 Agent 編排不該從「更聰明」開始想，而是從「如何分工協作」開始——oh-my-claudecode 用 Teams 模式解決的是複雜任務中的上下文和可控性問題。

AI

我為 AI 多 Agent 協作寫了一部憲法

當你的 AI Agent 們開始互相矛盾、決策散落在 20 個對話裡找不到，你需要的不是更好的 prompt — 你需要一部憲法。

AI

AI 協作不是用工具，是建系統：為什麼 95% 的人用錯了方法

當所有人都在問「哪個 AI 工具最好？」，真正的問題是：你有沒有一套系統。 引言：兩個平行世界 2025 年，全球企業在生成式 AI 上投入了 370 億美元，是前一年的 3.2 倍。KPMG 報告顯示 26% 的企業已部署 AI Agent，McKinsey 的調查指出 23% 正在規模化 Agentic AI。 聽起來很熱鬧。但另一組數字卻令人清醒： MIT 研究指出，95% 的生成式 AI 專案無法產生可衡量的損益影響。Gartner 預測 40% 的 Agentic AI 專案將在 2027 年前被取消。 這不是 AI

AI

管理 AI 跟管理人一樣難：我用 TPM 思維治理四個 AI Agent

所有人都在教你怎麼裝 multi-agent 工具，沒人教你管 AI 團隊。我用十年 TPM 經驗學到的三件事：角色邊界、交叉 review、停損機制。

multi-agent

多代理架構的古惑仔哲學：Subagent 是小弟、Team Agent 是角頭會議

用《古惑仔》來解釋多代理架構：Subagent 像烙小弟，聽命行事做完就閃；Team Agent 像角頭會議，各有地盤平等協作。不同模型互相找盲點，但中國的不要用。六神合體，但不包括中國那幾尊。