一句話定義

多代理系統(Multi-agent System)是讓好幾個 AI Agent 各自負責一部分工作、彼此交接或由一個主代理統籌,合力完成單一 AI 做不好的大任務的架構。

30 秒看重點

  • 是什麼:Multi-agent 就是把一個 AI 做的事拆給一群 AI 分工,通常有一個主代理負責派工和收尾。
  • 為什麼重要:一個 AI 的記憶容量和專注力有限,拆給多個 AI 平行處理,可以查得更廣、做得更快。
  • 跟誰相關:用 Deep Research 類功能的一般使用者、用 Claude Code 這類工具的工程師,還有在評估「AI 同事」的企業 IT。
  • 最常見的誤解:以為 AI 越多越聰明,其實多代理很燒 Token,任務不適合拆的時候反而更慢更貴。
  • 記住這件事就夠了:Multi-agent 是「一個 AI 當組長、一群 AI 當組員」,適合能拆開平行做的工作。

你有沒有做過分組報告?

不知道大家有沒有遇過這種狀況:期末報告一個人扛,查資料、整理、做簡報、上台全包,做到半夜才發現前面查的東西早就忘光了。

換成分組就不一樣了。組長把題目切成四塊,A 查市場、B 查競品、C 做訪談、D 做簡報,最後組長把大家的東西拼起來。每個人只要專心顧自己那一塊,腦袋裡不用塞全部的資料。

Multi-agent 就是把分組報告這套搬到 AI 身上(而且 AI 組員不會搭便車)。

Multi-agent 到底是什麼?

Multi-agent 中文叫多代理系統,指的是由兩個以上的 AI Agent 一起完成任務的架構,每個代理有自己的分工、工具和指令,彼此交接成果或由一個主代理統籌。

先複習一下,AI Agent 是會自己動手做事的 AI,你給它目標,它自己決定要查什麼、開什麼檔案。多代理系統則是把好幾個這樣的 Agent 組成一個團隊。

多代理系統原本是範圍很廣的概念,機器人、軟體程式都能當代理。現在大家講的 Multi-agent,多半特指「好幾個大型語言模型各自當 Agent、互相合作」的版本。Anthropic 在 2024 年 12 月 19 日發表的〈Building effective agents〉裡,把其中最常見的一種叫做 orchestrator-workers(指揮者與工作者):一個中央模型在執行當下把任務拆成小任務,丟給工作者模型處理,再把結果整合起來。

生活比喻:你可以想像成夜市的熱炒攤。老闆在門口接單,看到「三杯雞、炒水蓮、蛤蜊湯」就喊給後面三口爐子,各爐師傅只顧自己那道菜,同時開火,最後老闆一起出餐。一個師傅從頭炒到尾當然也行,只是客人要等很久。老闆就是主代理,爐子師傅就是子代理。

為什麼會有 Multi-agent?

Multi-agent 是為了解決單一 AI Agent 遇到大任務時「記不住、做不快、什麼都要顧」的問題。

問題 1:記憶容量有限。每個模型一次能讀的內容有上限,也就是上下文視窗。一個 Agent 查了五十個網頁,視窗很快就塞爆,前面讀過的東西會被擠掉。Anthropic 的 Claude Code 文件就寫明,每個子代理(subagent)都在自己的上下文視窗裡工作,探索過程不會塞進主對話。

問題 2:一個人排隊做太慢。研究型任務常常要同時查好幾條線,單一 Agent 只能一條一條來。Anthropic 2025 年 6 月 13 日公開的研究系統文章提到,讓主代理一次平行開 3 到 5 個子代理、子代理也平行呼叫工具,複雜查詢的研究時間最多縮短 90%。

問題 3:樣樣通樣樣鬆。一份指令同時要教搜尋、寫程式、審稿,很容易顧此失彼,拆成專職代理就單純多了。

所以思路很直白:一個人扛不動,那就分組。

Multi-agent 是怎麼運作的?

最常見的 Multi-agent 是主代理先拆解任務、派給多個子代理平行處理,子代理各自回報後,主代理再整合成最終答案。

拿 Anthropic 自己的研究系統當例子,流程大概是這樣:

  1. 拆題派工:主代理(他們叫 LeadResearcher)讀完你的問題,想好研究計畫,把計畫存進記憶,避免之後被擠出上下文視窗。接著決定要開幾個子代理、每個負責哪個方向。
  2. 平行查資料:每個子代理拿到清楚的任務說明,包含目標、輸出格式、可用工具和範圍邊界,各自去搜尋、讀網頁,把重點濃縮後交回去。
  3. 整合與查核:主代理收齊結果,判斷要不要再派一輪。最後還有一個專門的 CitationAgent 把每個說法對回原始來源。

除了「組長派工」這種,還有另一種常見的玩法叫 handoff(交接):像客服總機,第一個 Agent 判斷你要問帳單,就把整段對話轉給帳單專員 Agent。OpenAI 的實驗專案 Swarm 就是以 Agents 和 handoffs 兩個基本概念做出來的。

名詞小教室:子代理要動手查資料、跑程式,靠的是工具呼叫(Tool Calling),也就是 AI 自己決定「現在該按哪個按鈕」。而子代理怎麼接上外部工具,現在很多都走 MCP 這套標準插座。

Multi-agent 跟單一 AI Agent 差在哪?

單一 Agent 是一個人從頭做到尾,Multi-agent 是一個團隊分工,差別在於能不能平行處理,以及要多付多少 Token。

比較項目單一 AI Agent多代理系統(Multi-agent)
做事方式一個 AI 依序處理所有步驟主代理派工,多個子代理平行處理
Token 用量Anthropic 觀察約為一般聊天的 4 倍Anthropic 觀察約為一般聊天的 15 倍
上下文視窗壓力全部擠在同一個視窗分散到各子代理,主代理只收重點
擅長的任務步驟環環相扣、需要共享全部脈絡的工作可以拆開、各查各的廣度型研究
主要風險視窗塞爆、越做越忘派太多人、重複工作、成本暴衝
我會在什麼情況選它改一段程式、寫一封信、多數日常任務「幫我比較十家公司」這種要大範圍蒐集的題目

從這張表可以看出來,Multi-agent 比較像是用錢換速度與廣度,不能當成單一 Agent 的無腦升級版。Anthropic 的數字很誠實:他們的多代理研究系統在內部研究評測上比單一 Claude Opus 4 好了 90.2%,但代價是約 15 倍聊天的 Token 用量。他們還發現,在 BrowseComp 這個評測上,表現差異有 80% 光靠「用了多少 Token」就能解釋。

說白了,多代理強有一大部分原因是它「花更多力氣想」。所以 Anthropic 也明講,要做的事值錢到撐得起這個成本才划算。

你會在哪些 AI 工具看到 Multi-agent?

目前最容易碰到 Multi-agent 的地方,是 AI 深度研究功能、AI 寫程式工具,以及企業版的 AI 同事服務。

  • Claude 的 Research 功能:上面提到的研究系統就是它的幕後架構,文章發表當時主代理用 Claude Opus 4、子代理用 Claude Sonnet 4。大題目等比較久,就是一群子代理在分頭查。
  • Claude Code 的子代理:內建 Explore(唯讀、專門搜尋程式碼)、Plan(規劃模式時蒐集資料)和 general-purpose 幾種。你也可以在專案的 .claude/agents/ 資料夾用 Markdown 寫自己的子代理,指定它能用哪些工具、用哪個模型。
  • Google 的 Gemini Agent:根據本站整理的報導,它遇到多步驟任務會臨時生出專做某件事的子代理,還能在 Gemini 和 Claude 之間分派工作。

如果你是工程師,常見的框架有 OpenAI Agents SDK(官方自稱是打造 multi-agent workflow 的輕量框架,核心是 agents、handoffs、guardrails)、CrewAI(主打「角色扮演」的自主代理團隊,分成自主決策的 Crews 和流程控制的 Flows)。微軟的 AutoGen 則已經封存,官方建議新專案改用繼任的 Microsoft Agent Framework。至於不同公司做的 Agent 要互相溝通,Google 貢獻給 Linux Foundation 的 A2A 協定就是在處理這件事,官方說它跟 MCP 是互補關係。

學 Multi-agent 最常見的 3 個誤解

Multi-agent 最常被誤會成「AI 越多越聰明」「什麼任務都適合拆」「拆了就不用管」,三個都不對。

  1. 誤解一:Agent 越多越好 — 真相是 Anthropic 早期版本曾經為了簡單問題開出 50 個子代理,還會無止盡地找根本不存在的資料。後來他們乾脆把規則寫進指令:簡單事實 1 個 Agent 呼叫 3 到 10 次工具,比較題開 2 到 4 個子代理,複雜研究才開 10 個以上。
  2. 誤解二:什麼任務都適合多代理 — 真相是需要所有人共享同一份脈絡、彼此高度依賴的工作反而不適合。Anthropic 直接點名,多數寫程式任務能真正平行處理的部分比研究少。
  3. 誤解三:做成框架就萬事 OK — 真相是 Anthropic 在〈Building effective agents〉裡建議先找最簡單的解法,必要時才加複雜度,因為框架包太多層,出錯時很難看到底下到底送了什麼提示詞給模型。

老實講,第一個誤解我們看了最有感。叫一個 AI 組長「認真一點」,它真的會找 50 個組員來分工,這組長有點太熱血了 XD

想多了解 Multi-agent,從哪開始?

沒有技術背景的人,先從「觀察 AI 怎麼分工」開始;有技術背景的人,直接讀 Anthropic 的兩篇工程文章最快。

沒技術背景的你:

  • 下次用 Claude、ChatGPT 或 Gemini 的深度研究功能時,留意它顯示的步驟,你會看到它同時開好幾條線在查,那就是多代理在動。
  • 先把 Agentic AI 和 AI Agent 的差別搞懂,Multi-agent 是建立在這兩個概念上的。

有技術背景的你:

  • 讀 Anthropic 的〈How we built our multi-agent research system〉,裡面講了怎麼寫派工指令、怎麼評估、上線後怎麼除錯,是目前少數公開的實戰紀錄。

常見問題 FAQ

Multi-agent 跟 AI 有什麼關係?

Multi-agent 是 AI Agent 的進階用法,讓多個由大型語言模型驅動的 Agent 分工合作。一個主代理負責拆解任務與整合結果,多個子代理平行處理各自的部分。它讓 AI 能處理單一 Agent 塞不下或做太慢的大任務。

為什麼 Multi-agent 突然這麼紅?

因為大廠開始把多代理做進自家產品。Anthropic 在 2025 年 6 月公開多代理研究系統的實戰經驗,Claude Code、OpenAI Agents SDK 等工具也把子代理做成基本功能。據多家媒體引述 Gartner 的說法,企業詢問多代理系統的次數從 2024 年第一季到 2025 年第二季增加了 1,445%。

我不是工程師也需要懂 Multi-agent 嗎?

不需要會寫,但了解它有幫助。你用 AI 深度研究功能時等比較久、用量扣比較兇,很可能就是後面有一群子代理在工作。知道這件事,你就比較能判斷哪些問題值得開深度研究,哪些問一般對話就好。

Multi-agent 的中文翻譯有沒有統一?

沒有完全統一。台灣常見「多代理系統」或「多代理人系統」,中國大陸常寫成「多智能體系統」。本站採用「多代理系統」,跟本站 AI Agent 譯為「AI 代理」保持一致,日常講法直接說 Multi-agent 也很常見。

學會 Multi-agent 之後,下一個該學什麼?

建議接著看工具呼叫(Tool Calling)和 MCP。子代理要能查資料、跑程式,靠的就是工具呼叫,而 MCP 是讓 AI 接上各種外部工具的共用標準。想了解 AI 能同時記住多少東西,可以再讀上下文視窗。


延伸閱讀


參考來源

  1. Anthropic:How we built our multi-agent research system — 架構、90.2% 評測結果、Token 用量倍數、早期失誤與不適合的任務。
  2. Anthropic:Building effective agents — orchestrator-workers 模式與先從簡單做起的建議。
  3. Claude Code 文件:Subagents — 子代理的獨立上下文視窗與設定方式。
  4. GitHub:openai/swarm — agents 與 handoffs 概念,已由 Agents SDK 取代。
  5. GitHub:openai/openai-agents-python — Agents SDK 的定位與核心元件。
  6. GitHub:microsoft/autogen — AutoGen 已封存與繼任者。
  7. GitHub:crewAIInc/crewAI — 角色扮演代理、Crews 與 Flows。
  8. GitHub:a2aproject/A2A — A2A 的來源、治理與跟 MCP 的關係。

查證限制:Gartner 原文在撰文環境無法開啟,1,445% 的數字只依多個搜尋結果一致引述寫入,並未列入參考來源。維基百科無法開啟,學術定義與早期歷史只做概括描述。


整理一下重點:Multi-agent 說穿了就是讓 AI 分組做報告,一個組長派工、一群組員平行查,真的很適合大範圍蒐集資料,只是 Token 帳單也會跟著分組變大。

希望這一篇有讓你對 Multi-agent 有比較具體的理解哩~如果發現事實錯誤、定義不準、或翻譯卡卡的,歡迎透過聯絡頁指正,看到我們會盡快修。

我們下篇文章見囉~

本條目由 Array 報報 AI 編輯部根據上方「參考來源」整理,文末已揭露 AI 生成 + 公開資料引用。