多智能体怎么编排：Lead + Subagent 架构与 5 条实战原则

多智能体编排的本质，是用一个「主编排器（Orchestrator）」把复杂任务拆给多个专职子智能体并行处理，子智能体各自隔离上下文、只回传精炼结果——既突破单上下文窗口上限，又避免重复劳动。下面结合 Anthropic 的多智能体研究系统，给出可落地的原则。

一、核心架构：Lead + Subagent

一个用户问题进入后，编排器（Lead）先分析、制定策略，再派生多个 Subagent 并行探索不同侧面；Subagent 各自用独立上下文窗口，只把相关结论回传给 Lead，而不是整段原始上下文。这正是它适合「海量信息里大多没用」的任务的原因。

二、 5 条实战原则

1. 把任务边界写清楚

给 Subagent 的不该是「研究半导体短缺」这种模糊指令，而要包含：目标、输出格式、该用的工具/来源、明确边界。模糊指令会让多个子智能体做重复搜索、留下空白。

2. 按复杂度缩放投入

简单事实查找 1 个 Agent 、 3–10 次工具调用即可；对比类 2–4 个 Subagent 、各 10–15 次；复杂研究才上 10+ 个分工明确的 Subagent 。不要让简单问题也派生 50 个子智能体。

3. 教编排器怎么委派

编排器的提示要示范「如何拆解 + 如何描述子任务」。 Anthropic 用 Console 模拟、逐步观察 Agent 来迭代提示，立刻能发现「已有结论还继续搜」「选错工具」等失败模式。

4. 工具设计即接口设计

Agent–工具接口的重要性不亚于人机界面。给 Agent 明确启发：先看全部可用工具、把工具用法匹配用户意图、广搜用 Web 、专用工具优先于通用工具。描述不清的工具会把 Agent 带偏。

5. 让 Agent 自我改进

Claude 4 系列本身就很会写提示词。把「评估上次结果、改写自己的委派提示」当作闭环的一环，系统会越跑越准。

三、用代码串起编排

想接外部工具可看 MCP 服务器搭建；编排提示怎么写可参考 Anthropic 提示词工程。更复杂的智能体框架见 OpenAI Agents API。