多 Agent 设计技巧：
- 分工合作：大模型负责任务拆分与深度思考，小模型负责子任务执行与广度探索；二者配合，不但能实现并行推理，提高推理的速度和效率，还可以改善最终的任务完成效果
- 理解 Agent：观察并代入 Agent 的思考模式，并通过精准而有效的提示词来引导 Agent
- 任务分配：每个子 Agent 都需要有详细的任务目标、输出约束、工具和资源列表、任务边界；在合理的情况下，考虑通过子 Agent 的任务并行来加快效率（比如独立工具的并行调用）
- 根据查询复杂度调整工作规模：简单的信息收集仅需 1 个智能体，调用 3-10 次工具；直接比较可能需要 2-4 个子智能体，每个调用 10-15 次；而复杂研究可能使用超过 10 个子智能体，并明确划分职责
- 工具的设计与选择：首先检查所有可用的工具，并与用户意图匹配；优先选择专业工具而非通用工具，每个工具都需要明确的目的和清晰的描述；根据实际的工具使用体验，动态更新工具的描述和注意事项
- Agent 进化：自动诊断 Agent 的失败原因，并给出改进建议，实现经验积累与自我进化
- 探索策略：参考人类专家的研究策略，先整体规划，再逐步聚焦，缩小关注范围并深入细节
- 更新部署：注意规避代码改动对当前运行中的智能体的影响，考虑使用“彩虹部署策略”
彩虹部署（Rainbow Deploys）策略：一种渐进式发布策略，通过将用户流量按比例分配到新旧版本上实现平滑过渡，避免中断运行中的智能体，同时可能存在多版本（颜色）的同时运行
多 Agent 的优势：
- 应对存在动态性或分支探索的复杂决策路径
- 每个子 Agent 负责不同的视角，并具备独立性
- 适合处理存在并行任务、复杂工具交互的场景
anthropic 报告显示：以 Claude Opus 4 为领导智能体、Claude Sonnet 4 为子智能体的多智能体系统，在内部研究评估中比单智能体 Claude Opus 4 表现高出 90.2%
多 Agent 的不足：
- Token 消耗增加；相比于普通聊天，多智能体会增加约 15 倍 token 消耗
- 多 Agent 不适用于智能体之间存在大量依赖或需要共享上下文的场景
- 多 Agent 可能存在错误的累积，尤其是在智能体长时间运行或大量工具调用时
- 调试困难，问题难以定位，对多 Agent 的微小改动可能引发决策链路的变化