Anthropic于近期发布技术文章《构建Agent：何时该把子Agent折叠回主循环》，系统讨论了多子Agent架构在模型能力提升后的适用边界。文章基于多家企业部署Claude的实践对比得出结论：一个配备技能的单一Agent，在输出质量上反而优于”多个子Agent分工协作”的模式，且单任务成本与延迟通常更低，token消耗量显著下降。
这一讨论与国内大模型厂商的实际运营问题形成呼应。月之暗面在K3.1 Pro发布后，因多位用户反馈额度消耗过快而紧急发布公告，承认”问题出在我们，我们也本应更早修复”，在补偿用户额度的同时表示将”减少不必要的子Agent调用和输出长度”。两起事件指向同一技术命题：子Agent架构的token开销正在成为模型产品化的现实成本。
Anthropic在文章中给出的核心判断是，对于绝大多数任务，无需部署大量子Agent，单Agent、单模型、单份对话记录、一个循环即可完成。模型在单一循环中反复工作，每一轮可同时发出一批工具调用，结果直接返回该模型，由其决定下一步动作。文章以厨房做菜作类比：传统分工模式下，洗菜、切菜、掌勺、摆盘各由一人负责，每人持有一份由上一位传递的任务清单，菜品出现问题后难以定位责任环节；而单Agent模式下，同一执行者完成全流程，无需在每一轮开头重新解释需求意图。
文章列举了子Agent架构的三项主要成本。其一是token复利效应，任务中每增加一个子Agent便多出一层分支，多Agent系统的token消耗约为普通对话的15倍，且这部分开销主要花在”记忆”而非”推理”上——每个子Agent都需重新建立身份、规则、工具清单与相关上下文，运行结束后压缩为摘要回传，导致主Agent反复读取同一份材料。其二是信息衰减，信息在子Agent之间每传递一次，保真度即下降一层。Cognition在2025年文章《不要构建多Agent》中曾描述一个场景：两个子Agent分头复刻Flappy Bird，一个负责背景、一个负责小鸟，结果背景风格偏离、小鸟不似游戏素材。其三是人格碎片，不同子Agent因提示词差异输出风格迥异，而用户面对的只有一个入口。Anthropic举例称，某公司客户端部署了十余个专项子Agent，被评价为”很难维持稳定的品牌口径”，且用户必须等待最慢的子Agent输出完毕才能获得回复。
Anthropic并未主张彻底取消子Agent，而是提出将其按需加载为Skill。每个子Agent所携带的知识在需要时调出、在下一阶段放回，配合配套工具，该方法可削减80％以上的系统提示词，使原本臃肿到影响判断的提示词恢复简洁，为任务本身释放上下文空间。
从技术演进脉络看，子Agent本质上是模型能力不足时期的工程妥协。OpenAI时期的卡帕西曾指出，GPT并不知晓自身存在上下文限制，执行任务时容易填满上下文导致失败，因此需要通过拆分任务让模型分步完成。2023年3月底，AutoGPT与BabyAGI的实验项目验证了模型自主拆解目标、自我派发任务的循环可行性，同时暴露出缺乏可靠验证环节时错误会在循环中自我放大的问题。2023年下半年至2024年，MetaGPT等方案将模型划分为产品经理、架构师、工程师、测试等岗位，形成子Agent系统的雏形。Anthropic表示，其在2024年构建子Agent的动机是解决三件事：上下文隔离，避免主上下文被海量中间产物污染；为不同任务配置不同工具，防止局部崩溃影响整体；并行推进多条独立线索。
成本结构的变化是这一讨论升温的背景。过去两年，token费用主要由按API计量的开发者和企业承担，成本明码标价、可核算。随着C端订阅制普及，月度额度成为黑箱，用户仅知剩余额度，无法了解单轮对话中子Agent的实际消耗。Anthropic认为，模型能力与上下文长度的提升已使子Agent从能力增强手段转变为架构负担，这一判断对当前采用订阅制的大模型产品具有直接参考价值。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
