智能体组队:能比单个智能体高80.8%,也能低70%
很多开发者让智能体组队干活、做编排,全凭感觉。但这样做真的有效吗?
本文介绍五种有研究支撑的模式,适用于 Antigravity、Claude Code 或任何其他编码智能体。无论你是在开发新应用、维护遗留代码库,还是做调研,都能了解到每种模式在什么情况下比单个智能体更强,并拿到可以直接使用的提示词。
作者:YK Sugi,Google Cloud 高级开发者关系工程师
1. 把构建者和验证者分开
不要用一个智能体包办所有事情,而是把构建和验证拆到两个独立的会话线程里。一个智能体负责构建;另一个智能体在一个全新的线程里检查结果是否真的做到了你要求的事。
为什么这一步重要:如果让同一个模型在同一个线程里审自己的产出,它会被自己之前的输出带偏。研究确实表明,模型不擅长评判自己的工作——缺少外部反馈时,它们很难修正自己的推理,而且会偏爱自己的输出。
所以,对真正重要的改动请用这个模式。小改动,或者测试本身能给出反馈的场景,自审还是可以的。
Prompt: Start one fresh subagent as a read-only verifier. Have it check whether this diff does what I asked for.
2. 把工作拆成独立赛道
当一个任务能被干净地切分时,给每一部分安排各自的负责人,比如前端、后端、文档各配一个子智能体,让它们并行工作,并且不编辑同一批文件。
为什么这一步重要:在一项覆盖 652 个编码任务的 2026 年研究中,两个智能体在重叠代码上协作的成功率,比单个智能体独自完成两项任务低了约 30%。
而在 Google 与 MIT 的一项研究中,在由相互独立部分构成的金融基准上,智能体团队的成绩最高比单个智能体高出 80.8%;但在每一步都依赖上一步的规划类基准上,成绩反而低了 39% 到 70%。
因此,像前端、后端这种难以干净切分的工作,单个线程往往表现更好。小的 bug 修复同理,另一项研究显示并行子智能体在这类场景并没有帮助。
Prompt: Start three subagents in parallel: one for the frontend in web/, one for the backend in api/, and one for docs in docs/. Each one edits only files in its own folder. When all three finish, check that the parts work together.
3. Best of N(多候选择优)
把同一个任务并行跑多次,再用测试套件或评估(eval)来挑出胜者。DeepMind 的编程系统 AlphaCode 就是这么干的:它生成大量候选程序,然后通过实际运行来筛选,最终在编程竞赛中取得了有竞争力的表现。
为什么这一步重要:在 2024 年一项针对 Best of N 方法的研究中,对于带自动检查的任务,pass 率随着尝试次数增加到数千次仍在持续上升。在真实 GitHub issue 上,某个模型单次尝试解决了 15.9%,到 250 次尝试时提升到 56%。如果缺少自动检查,无论是靠多数投票还是用打分模型来选胜者,效果都会在大约 100 次尝试后趋于平缓。
Prompt: Run five subagents in parallel on Gemini 4 Hydrogen, each trying to optimize this in its own worktree. Score each attempt on the evals, pick the best one, and tell me the result.
4. 模型评审团
让多个模型各自独立提出方案,由裁判在隐藏模型名的前提下投票,然后合并其中最强的想法。在没有明确测试或自动检查的场景——比如架构设计、视觉设计——就用这个模式。
为什么这一步重要:一项研究显示,把多个模型的答案合并起来,得分高于单个前沿模型。另一项研究中,由不同模型组成的小组,比单个大型裁判模型更接近人类判断。
举个例子:我用模型评审团设计了这个飞船 logo。两轮之后,它从一个平平无奇的第一版变成了最终的图标。
Prompt: Ask Gemini 4 Carbon, Gemini 4 Neon, and Claude Opus 5.5 each for one independent design. Have three fresh agents on Gemini 4 Carbon, Gemini 4 Neon, and Claude Opus 5.5 score the designs with model names hidden. Merge the best ideas into the winner.
5. 评审团队
并行运行若干只读评审者,每人只负责一项职责,比如 UX 或安全。
为什么这一步重要:在一项 1995 年关于人类评审者的经典研究中,成员各自寻找不同类型错误的团队,比所有人共用一份通用常见错误清单的团队多找出约 35% 的错误。
事实证明,这个规律对 AI 评审者也成立。在一项关于 LLM 裁判的研究中,角色互不相同的评审团队比单个裁判更贴近人类判断;而当所有成员共用同一个角色时,表现反而更差。
Prompt: Start four read-only reviewers in parallel for UX, code simplicity, edge cases, and security. Fix what they report, then repeat with fresh reviewers until all four approve.
这些是积木,不是硬性规则
这些模式更像可以自由组合的积木,而不是严格的规定。你完全可以按适合自己的方式混搭使用。至于什么时候该用哪一种,可以先遵循一个简单的判断顺序:任务能不能干净切分?要不要人来把关和挑选?有没有可靠的自动检查?依此选择上面的模式。