多Agent协作：什么时候多 Agent 真比一个强
最后一章，把视角从”一个 Agent”拉到”多个 Agent”。分工、通信、相互验证，干单个 Agent 扛不住的活。
第一判据：有没有引入新信息
多 Agent 不是”人多力量大”那么简单。看这条：
- 同模型自我审查（重读自己输出）→ 没新信息，通常无效甚至有害
- 不同 Agent 辩论同一段文本 → 等量 token 下跟单 Agent 持平
- 审核者用测试执行结果 / 渲染截图 / 外部工具验证 → 有执行、视觉、工具反馈，显著提升
结论：协作有效，是因为引入了单个 Agent 生成时拿不到的新信息（执行反馈、视觉反馈、工具验证）。无新信息，多 Agent 常无效甚至有害。
共享上下文 vs 不共享
- 共享：继承前任完整轨迹，信息不丢；但上下文膨胀、角色惯性干扰。角色切换用
transfer_to_agent（强约束）或 Skill（弱约束、KV Cache 友好） - 不共享：模块化好、易扩展；但得显式通信
类比操作系统：Agent 系统就是”LLM 版 Actor 模型”。Agent 间通信 ≡ IPC——共享文件系统=共享内存，工具参数/消息总线=消息传递。Go 那句名言反过来也成立：不要通过共享内存通信，而通过通信共享内存。
协作拓扑三形态
- 对等：2–3 个 Agent 迭代改进（起草者+评论者）
- 管理者：中心 Manager 规划调度，子 Agent 各管一块（项目经理带工程师）
- 去中心化：无中心控制，Agent 互相 handoff（编舞 choreography）
Loop 工程：解决”过早终止”
过早终止三种：偷懒假完成、过早放弃、假成功。核心共识：循环瓶颈在验证器，不在模型。验证器判定”能不能停”，不是模型自己说停。实验 LongHorizon-Harness 把 PassRate 从 51.8% 拉到 80.7%。
提议者-审核者最小不变量
审核者读独立证据（execute_or_render），不碰测试/发布门槛。没外部反馈的自纠反而降准确率（ICLR2024 证实）。
前面讲了多 Agent 的价值判据和拓扑。接着收尾：怎么管、怎么跨组织、怎么别翻车。
管理者模式：弱规划者致命
Plan-and-Act 实证：Planner 质量决定系统上限，强模型该分给 Manager。并行结算用幂等锁 settle_once 保”第一个已验证成功”。
去中心化与 handoff
OpenAI Swarm 真对等：handoff 带 task_id/sender/recipient/visited_agents，靠 visited 检测环、靠预算防失控。
跨组织：A2A 协议
Google 2025 发的 A2A：Agent Card（能力声明）+ 任务状态机 + 不透明协作（只换产物不暴露内部）。注意它跟 MCP 分工不同：MCP 是 Agent-工具，A2A 是 Agent-Agent，只在跨信任边界用。
失败模式（重点几个）
- 并发冲突：乐观锁 + worktree
- 错误级联：传话游戏，交叉验证
- 同质趋同：共因失效，引入模型/数据差异
- 循环失控：生成数千子 Agent，预算 + API key 隔离
- 理解债 / 认知投降：人把理解外包给 Agent，质量失控
（最后这条最值得警惕——Karpathy 说”可外包思考，不可外包理解”。Agent 交付快，工程师对实现的理解会落后，真出事看不懂。）
Agent 社会涌现
规模过临界点会冒出社交/经济/博弈：AI 小镇（25 个 Agent 自发办派对）、Moltbook（150 万 Agent 自发”龙虾教”）、狼人杀（信息不对称博弈）。DeepMind 把”大规模多 Agent 集体”列为通向超级智能的关键路径之一。
成本与预算感知
多 Agent 吃数倍 token，收益得覆盖开销。单纯加步数不提效，要预算感知：前期广探索、后期深挖掘。
多 Agent 不是银弹，判据就一条——有没有新信息增量、token 成本值不值。
单 Agent 能搞定就别上多 Agent。真要上，从”提议者-审核者 + 强验证器”这种最小不变量起步，比追 Graph 工程、去中心化编排稳得多。
