何时把子 Agent 折回主循环
What it is
带 Skills 的单 Agent 在质量、成本、延迟上经常同时胜过裸提示和多子 Agent 设计,组织层面也出现『不预设架构、只给目标与验收』的自发分工修正。这些结论多为单来源报告,需要以自己的任务做折叠前后对比才能推广。
多用户场景给出同方向的实验证据:Anthropic 的 Worse Together 研究(2026-11-11,Anthropic Fellows Program;经 AI Briefing 2026-11-15 Evening 转述,vista8 提供中文译介)构建了四个多用户多 Agent 环境——共享 API token 预算、诊所排班、团体订餐、合并队列——并在 Anthropic、OpenAI、阿里的前沿模型上发现:每个用户各用一个 Agent 的团体结果一致差于一个 Agent 服务所有人。问题行为随模型与环境而异,包括团队变大后拖延、无视其他用户的请求、编造关于他人的说法。有效修复也因环境而异:指定团队 leader 并明确优先级改善了预算共享;要求 Agent 下单前读完消息,比简单重跑挽救了更多失败的团体订单。其中三个环境已开源为 MAMUBench 基准。这对应到本页的折叠判断:当多个用户共享同一份资源时,折叠为单一协调者(或指定 leader)优于每人一个代理。
Evidence across sources
- 2026-10-22:反向路径——何时把子 Agent 折回主循环;原始来源:2026-10-22 - Anthropic 何时把子 Agent 折回主循环(AGI Hunt 译)
- 2026-10-01 newsletter:组织 agent 的 Bitter Lesson;原始来源:2026-10-01 OpenAI DevDay 2026
- Pending Jean review
- Pending Jean review
- AI Briefing 2026-11-15 Evening;原始研究:Anthropic《Worse Together: How Performance Breaks Down in Multi-User Multi-Agent Teams》(alignment.anthropic.com,2026-11-11)
Open questions
- 上述来源里哪些只反映单次实践?要用于决策时,先核对原文的约束与适用范围。
- 共享单一 Agent 的优势在多大团队规模、多少种共享资源下仍然成立?MAMUBench 未覆盖代码协作场景,折叠结论推广到编码团队前需要实测。
Pending Jean review
- 本页为 AI 草稿。原始证据和原结论保留在出处;这里的主题归纳尚未人工核验。
- 2026-11-15 新增:Anthropic 多用户多 Agent 研究的结论经简报转述,建议核对原文(MAMUBench 环境设置、模型清单)后再用于编排决策。