主要观点：单一大型模型在处理复杂任务时会力不从心，多智能体团队可解决此问题，每个智能体专注于特定任务，通过协作克服单智能体的限制，能提高可扩展性和性能。
关键信息：

• 单一大模型在处理复杂任务时会出现问题，如处理多步骤工作流时会遇到瓶颈，更新或改进某一方面行为需重新训练整个系统。
• 多智能体系统由具有专门角色的智能体组成，可协同工作，如“领导”智能体负责分配任务，其他智能体专注于特定领域，能提高处理复杂问题的效率。
• 构建有效智能体的方法包括保持简单、理解工具、利用常见设计模式等，如提示链、模型路由、并行化等。
• 为智能体配备合适的工具很重要，要明智选择工具、明确工具目的、返回有意义的上下文、优化工具输出和良好记录工具等，且设计工具是一个迭代过程，需要测试和改进。
  重要细节：
• Anthropic 的研究表明，多智能体系统在复杂研究任务上比单智能体模型性能提高 90%，可并行处理不同任务，提高处理速度和覆盖范围，但也存在协调复杂和计算成本高等问题。
• 构建有效智能体时，可采用简单的方法，如根据任务选择合适的架构模式，避免过度工程化；使用工具库时要理解其内部机制，直接调用 LLM API 可获得更多控制和洞察；常见的设计模式包括提示链、模型路由和并行化等，可混合使用。
• 为智能体配备工具时，要选择有价值的工具，避免不必要的工具；明确工具的责任，避免功能重叠；返回有帮助的上下文，优化工具输出；良好记录工具，便于智能体使用和理解。测试和评估工具非常重要，可让智能体帮助测试，创建真实的测试场景，包括人类和 AI 评估。还可让智能体改进自己的工具，提高任务完成效率。
• 结论指出，多智能体系统是 AI 发展的趋势，虽有挑战但可通过原则性方法克服，在设计 AI 应用时可考虑多智能体方法，以提高性能，目标是构建真正有效的 AI 系统，而不是单纯追求复杂的多智能体设置。