7.7
深览指数
科技人人都是产品经理·Tuer AI··AI 生成
知识库和 Prompt 都有了，企业为什么还需要多 Agent？
文章的核心论点是：当企业AI助手从知识问答进化到跨系统执行任务时，单靠知识库（RAG）和Prompt已不足以应对复杂业务。作者通过分析单Agent在长任务链中面临的职责膨胀、上下文干扰、权限失控和错误累积问题，论证了多Agent架构的必要性。文章的核心贡献在于，将多Agent系统重新定义为“一支受约束的数字团队”，强调责任边界、任务拆分、交接机制和失败恢复才是关键，而非简单的角色数量堆砌。读者可从中获得判断何时引入多Agent的实际决策框架，以及构建生产级系统所需的具体工程考量。原文 ↗
核心观点
- ▍企业AI从知识问答走向跨系统任务执行后，多Agent架构是解决复杂流程的关键，其核心价值在于将复杂任务拆解为可授权、并行、验证、追踪和恢复的责任单元，而非单纯增加Agent数量。
- ▍知识库和Prompt无法解决任务状态管理、异常处理、权限收敛和错误审计等问题，在复杂任务链中，继续向Prompt堆砌规则会导致Token消耗上升、推理延迟增加以及关键约束淹没在长上下文中。
- 01单Agent在任务跨度扩大后，面临职责膨胀、上下文过长导致注意力漂移、任务链前段错误向后传递、权限随工具膨胀而失控等问题。
- 02文章以“重点客户续约场景”为例，展示了多Agent系统如何通过主控Agent拆分任务图，让客户Agent、数据Agent、方案Agent、合同风险Agent等并行工作，并通过确定性规则引擎处理折扣计算，最终由人工确认审批和发送。
- 03一个任务有8个关键步骤，每步成功率95%时，按独立概率估算，整条链路一次跑通的概率约为66%，说明局部表现不错不等于端到端可靠。
- 04多Agent系统上线后常见问题包括业务口径不一致、过度拆分导致响应变慢、Agent间缺乏证据标准和退出规则、共用高权限账号导致重复操作。
- 05Agent间的高可靠交接应包括task_id、任务目标、输入版本、约束条件、允许调用的工具、输出结构、证据来源、不确定项和当前状态等结构化信息。
- 06上多Agent前需判断任务是否值得拆、给每个Agent划清责任、用流程（代码/工作流）托住Agent、并用端到端指标（含成功率、延迟、成本、人工接管率等）评估有效性。
反方 / 局限
- — 多Agent架构并非万能，过度拆分（如一次模型调用即可完成的摘要交由多个Agent转手）会导致Token成本和等待时间增加，收益被协作成本吞没。
- — 协作节点增多后，问题定位会更困难，需依赖统一指标口径、任务状态、权限体系、异常机制和全链路日志，否则增加Agent只会使错误沿链路扩散。
- — 如果引入多Agent后任务成功率仅提升2%，但延迟和成本增加三倍，则这套复杂度很可能不值得投入。
9 分钟 · 4 卡片 · 7 资料
读原文 →