Anthropic 发布 AI Agent 架构指南：先问三个问题，再决定要不要上多智能体
多智能体系统效果能提 90.2%，但 token 成本也贵 10-15 倍，这套三问框架帮你先想清楚要不要上复杂架构。
- Anthropic 发布一份企业级 AI Agent 架构指南，基于 Coinbase、Intercom、Thomson Reuters 等客户的真实落地案例，整理出架构模式与选型方法。
- 全文给出六种核心架构：单智能体、分层监督式、协作式、顺序工作流、并行工作流、评估器-优化器工作流。
- Anthropic 内部研究显示，面对需要同时探索多条独立路径的复杂任务，多智能体系统效果比单智能体高出 90.2%，但 token 消耗是单智能体的 10-15 倍。
- 指南给出一套三问决策框架（要多高的可控性、问题跨几个领域、资源预算多少），帮你判断该用哪种架构，而不是一味追最复杂的方案。
- 核心方法是「从简单开始、逐步演进」：先用单智能体验证价值，再按业务需求和数据反馈升级，而非一开始就搭复杂系统。
一份来自 Anthropic 的企业级 agent 架构手册
Anthropic 最近发布了一份面向企业的 AI Agent 架构指南，汇总了 Coinbase、Intercom、Thomson Reuters 等客户的真实落地案例，给出六种架构模式和一套选型决策框架。
白皮书开篇第一句话就把定位挑明了：生成式 AI 回答问题，AI agent 解决问题。而这份手册要回答的，是下一个更实的问题：同一个业务，到底该用一个 AI 智能体单干，还是搭一整套多智能体系统。它把这个选择拆成可操作的判断框架，每种架构都配上真实客户的量化数据。
为什么值得看：指南给出一个关键量化权衡，面对需要同时探索多条独立方向的复杂任务，多智能体系统效果比单智能体高出 90.2%；但它消耗的 token 量是单智能体的 10-15 倍。这一升一降，就是全文所有选型判断的地基。
先说清楚一件事：AI 智能体（agent）和普通自动化脚本，运作方式差别很大。传统自动化要把每一步都提前写死，流程照着脚本一步步走，遇到没预设过的情况就卡住。agent 的做法是评估任务、挑合适的工具、试一种做法、看结果好不好、再调整策略，跑一个循环直到把事办成。
每一步都要预先写好。流程固定，能追溯，但只会走事先铺好的那条路，碰到边界情况就断。
拿到任务后自己规划：读问题、查账户历史、翻知识库、起草回复、必要时拉人工介入，全程根据中间结果动态调整。
指南开头列了一批客户成绩单，用来说明这些系统在真实生产环境里跑出了什么。
这四块数字看的不是大小，是覆盖面：客服、安全运营、欺诈审核、跨行业解决率，四种完全不同的活都有 agent 在生产环境里扛住了。它们证明的是「值得投入」，还回答不了「该选哪种架构」。指南还给了一个更贴近日常运营的例子：某零售银行用 agent 处理信贷风险备忘录，过去关系经理要花好几周手动核对十个数据源，现在带来 20% 到 60% 的生产力提升，信贷周转时间缩短 30%。这些数字建立了一个前提，agent 值得投入，但用哪种架构去实现，才是这份指南真正要教的。它一共讲六种架构，其实分三家：让 AI 自己拿主意的（单智能体、分层监督式、协作式），流程由人预先写死的（顺序、并行工作流），外加一个专管质检的（评估器-优化器）。下面按从简单到复杂的顺序一个个看。
第一步：先看单智能体够不够用
指南反复强调的第一原则是「从简单开始」。别一上来就搭复杂系统，先看单智能体能不能解决问题，它更便宜、更好排查、指标也更能对上业务结果。
单智能体系统就是一个 AI 智能体在跑一个连续循环：感知环境、决定下一步、动手执行，直到任务完成或者撞上「暂停等人工复核」这样的停止条件。它的核心由几个组件搭起来。
图里三个组件里有两个专门术语，这里先说明白。
一套让 agent 连外部系统（数据库、网页搜索、内部工具）的标准接口。agent 靠它才能真正动手查数据、调工具，而不是只会聊天。像给 AI 装了一套万能转接头，不管连数据库还是搜索引擎，接口标准统一，不用每次单独开发对接代码。
把某个领域的专业知识、标准流程、工具用法打包成一个模块，agent 需要时调用，不用把所有专业知识都塞进提示词里。像给 agent 配一套专业工具箱，遇到法律问题掏法律工具箱，遇到财务问题换一套，一个 agent 脑子里不用装满所有领域。
适合：面对开放式问题，一开始看不清路怎么走，不知道要几步、会碰到什么障碍，让 agent 自己边走边调整。
别用：需要第一次就 100% 拿到完美答案的场景。这时单智能体力不从心，要么加专门的 Skills 提升准确率，要么才考虑上多智能体。升级前先想清楚：给单智能体加技能，是不是就够了。
展开看：一个研究 agent 怎么用 8 步走完一次复杂查询
员工问：「研究工程团队正在采用的远程办公效率工具，看看有没有跟我们内部生产力指标相关的。」这个 agent 配了 MCP 连到内容库、业务工具和开发环境，它这样处理：
- ① 接收问题 → ② 初步分析：判断出这需要两个数据源，外部工具研究和内部公司指标，且外部研究一开始不依赖内部数据，可以拆成并行搜索，最后再做关联。
- ③ 激活技能：调用研究方法、数据关联、商业洞察三类技能，套用成熟框架而不是从零推理。
- ④ 任务拆解与规划：定下外部网页搜索、内部数据库查询、并行执行、关联综合的方案。
- ⑤ 并行调工具：同时跑网页搜索（找效率工具趋势）和 SQL 数据库（查内部生产力指标），两个工具并发，大幅缩短总耗时。
- ⑥ 迭代精修：看完初步结果，发现需要更具体的工程团队数据，据此追加更精准的二次查询。
- ⑦ 综合关联 → ⑧ 生成结果：把外部趋势和内部指标交叉比对，产出整合结论。