一個 AI 助理從早上陪你做到下午，早上交代的「正式資料不要動」，到了傍晚它可能已經忘了。任務越長、越雜，一個 AI 越容易漏東漏西。多代理協作框架就是為這種狀況設計的。

多代理協作框架（multi-agent harness）是什麼？ Harness 指模型外面那一整套裝備：讓它反覆行動的迴圈、能呼叫的工具、context（模型當下看得到的全部內容）的管理，還有護欄。有了這套裝備，模型才成為 agent，能自己決定下一步、自己用工具把事情做完。多代理協作框架是它的多人版：一個指揮者（orchestrator）把大工作拆給好幾個 agent，每個 agent 用自己獨立的 context 做一小塊，只交回精簡的結果。指揮者可以是一個 AI，也可以是一段寫好的程式。

這篇用白話整理 Anthropic、OpenAI、Google、Microsoft 官方文件裡反覆出現的做法，再加上小企鵝的 AI 團隊實際跑一次的實戰紀錄。

一個 AI 為什麼不夠？

Anthropic 替單一 agent 做長任務時的毛病取了三個名字：

  • Agentic laziness（做到一半說做完）：Anthropic 舉的例子是一份 50 項的資安檢查，只處理了 35 項就宣布完成。
  • Self-preferential bias（自己改自己的考卷）：叫它檢查自己的成果，它會偏向自己。
  • Goal drift（聊久了忘了原本要什麼）：對話變長、舊內容被壓成摘要，每壓一次都可能漏掉細節，「不要做 X」這類限制就可能這樣掉了。

另外還有 context 汙染：前一個子任務留下的資料，一直干擾下一個。解法是把工作拆給幾個各有乾淨 context、只盯一個目標的 agent。負責檢查的 agent 如果只拿到結果和標準、看不到做事那方的推理，也比較不會幫它圓場，這一點需要刻意安排。

計畫拿在誰手上？

Claude Code 的文件用一句話區分各種做法：「差別在於誰拿著計畫。」計畫可以在指揮的 AI 手上，由它每一輪決定下一步，彈性大，但所有結果都回到它的 context，做久了越塞越滿。計畫也可以寫成程式，由腳本保管步驟和中間結果，指揮的 AI 只需要看最終答案。前者像主管邊做邊想，後者像照一張寫好的流程表走。不管哪一種，重點都是讓指揮者的 context 保持乾淨。

六種常見組法

Anthropic 整理了六種組法，實務上會混著用：

  1. Classify-and-act（先分類，再派工）：先判斷任務類型，再交給對應的 agent。像是分流客服信。
  2. Fan-out-and-synthesize（拆開平行做，再彙整）：切成小塊同時做，全部完成才彙整。像是多方向的調查。
  3. Adversarial verification（對抗式驗證）：另派 agent 拿標準挑毛病。用在出錯代價高的產出。
  4. Generate-and-filter（大量發想，再篩選）：產生很多點子，用標準或實際驗證篩選、去除重複，只留最好的。像是發想標題。
  5. Tournament（淘汰賽）：各做一版，兩兩比較選出最好的。Anthropic 認為兩兩比較比打絕對分數可靠。
  6. Loop until done（直到沒有新發現為止）：持續派 agent 去找，直到停止條件成立，例如 log 裡不再出現新錯誤。

Anthropic 整理的六種工作流程組法示意：先分類再派工、拆開平行做再彙整、對抗式驗證、大量發想再篩選、淘汰賽、直到沒有新發現為止

圖一：六種組法。圖片來源：Anthropic（claude.dev）

Agent 會讀網頁、信件、留言這類外來內容時，還有一種組法叫隔離區（quarantine）：負責讀取的 agent 不做高權限動作，真正動手的 agent 只看它們交出的摘要，不碰原文。這類風險可以看 AI Agent 的安全風險。

隔離後再行動：外來內容先交給隔離區裡只能讀取的 agent 分類整理，受信任區裡有權限的 agent 只根據摘要行動，處理不了就轉給人類

圖二：讀取外來內容的 agent 待在隔離區，有權限的 agent 只看摘要。圖片來源：Anthropic（claude.dev）

實戰：一篇文章，九個 AI

2026 年 9 月，小企鵝的 AI 團隊用這套方法寫了一篇新產品解析。分工是：一個指揮的 AI（訂計畫、寫簡報、決定收或退，自己不寫文章）、六個調查 agent（一人一題、各交一個證據檔，其中一個專門核對別人的說法；同一時間最多跑三個，其餘排隊）、一個只能用證據檔的寫稿 agent，還有一個另一家模型的審稿 agent。中途有幾個位置換過替補：一家模型的調查額度用完，經小企鵝同意，剩下的調查改由另一家模型的 agent 接手；審稿也換過人，下面會講。小企鵝本人負責文章角度、封面和按下發布。

從「開始」到拿到指揮者對照證據檢查過的稿子，大約一個半小時；最後的審稿又多花了一個多小時，原因在下表最後一列。

出了什麼錯誰抓到學到什麼
簡報的前提錯了：把產品名當成一個模型系列，其實同名的也是一個給一般使用者的 agent App調查 agent 回報，指揮者親自抽查一手資料確認簡報送出前，先驗證最關鍵的前提
指揮者自己說錯：看完官方頁面，就說「應該沒有候補名單」社群調查 agent 找到使用者回報在 App 裡看到候補畫面；小企鵝本人一開始就是對的官方頁面沒寫，不代表不存在
寫稿 agent 把媒體報導的「人類撥出電話」寫成「人類接聽電話」指揮者拿證據檔逐段對稿，連同其他問題共退回 12 處讀稿要對照原始證據
指揮者對過稿之後仍留下的錯：常見問答和開頭跟修正後的內文矛盾、只有一家媒體報導的細節被寫成兩家另一家模型的審稿 agent 直接讀證據，抓出 8 個必須修的問題；指揮者也拿審稿者沒看過的影片畫面，駁回其中一條最後一關放不同家；審稿意見也要拿證據檢驗
審稿 agent 額度用完，替補的兩次只交回進度訊息、沒有結論指揮者直接打開產出檢查，沒有只看「執行完畢」「跑完了」不等於「做完了」

前提寫錯，agent 只會照著錯的前提認真做完。表上五個問題，有兩個跟指揮者自己有關。這幾層各自抓到不同的錯，沒有哪一層可以單獨信任，指揮者自己也一樣。

什麼時候不該用？

OpenAI、Microsoft、Anthropic 的文件都建議先把單一 agent 做好，簡單的方法能解決就別加 agent。多 agent 適合寬而平行、互不依賴的工作，例如多方向的調查、把一條條說法拆開核對；同一份檔案要多人改、每一步都依賴上一步的工作，交給一個 agent 比較好。

一個簡單的判斷法：這件工作能不能拆給幾個人各查各的、互不干擾？能，才值得找一群 AI；不能，就先把一個 AI 的簡報寫好。

成本也會成倍增加：每個 agent 各自消耗 token（模型處理文字、計算費用的單位），交接和協調還要再算一份。研究也提醒要保守：Cemri 等人 2025 年的論文分析 7 個開源多 agent 系統，失敗率在 41% 到 86.7% 之間。

五條設計原則

  1. 照資訊的邊界切工作。 先想哪些資訊要放在一起，再分工。Anthropic 做過實驗，照職稱分工（規劃、實作、測試、審查）的 agent，花在協調上的 token 比實際做事還多。比較好的切法是互不相干的調查方向，或只看結果的獨立檢查。
  2. 簡報寫清楚。 Subagent 看不到你跟指揮者聊過什麼。目標、輸出格式、該用的來源、任務邊界都要寫，路怎麼走交給執行的人。Anthropic 也發現，規劃時把技術細節寫太細、又寫錯，錯誤會一路傳到下游。
  3. 做事的和檢查的分開。 檢查要有具體標準，也要防反方向的問題：叫審查 agent 找缺點，就算作品沒問題，它通常也會找出一些。Anthropic 的做法是一條規則配一個檢查者，再由一個「懷疑派」agent 過濾誤報。
  4. 用檔案交接。 成果寫成檔案，只回傳很短的參照（檔案在哪），避免一路轉述、一路失真。同一份東西，同一時間只讓一個 agent 改。
  5. 設停止條件，人守關鍵關卡。 重試和迭代要有上限，碰到上限怎麼辦也要先想好，Microsoft 舉的例子是轉給人處理。敏感、不可逆的動作，留給人確認。

審稿要不要換一家模型？

小企鵝的團隊讓另一家模型把守最後一關。研究確實發現，模型替答案打分時會偏好自己的產出；也有研究發現，越強的模型犯錯越相似，就算來自不同廠商也一樣。我們讀過的 Anthropic、OpenAI、Google、Microsoft 官方文件，都沒有要求換一家來審，Anthropic 要的是新的模型實例，加上乾淨的 context。所以小企鵝把換一家當成便宜的保險，實際抓到的例子就是上面表格第四列。撐起品質的，是審稿者有乾淨的 context、直接讀原始證據、手上有具體的檢查標準。

小企鵝的總結

  1. 寫簡報像交接給新同事。 對方沒聽過你們之前聊了什麼。最關鍵的前提，送出前先自己驗一次。
  2. 檢查的跟做事的分開。 不會寫程式也能套用：開兩個對話，一個寫，一個只拿原始資料逐條挑錯。小企鵝團隊實際的做法是寫稿只准用證據檔，最後一關換另一家模型審。
  3. 一個 AI 做得好，就別叫一群。 多 agent 留給範圍大、能平行、做錯很貴的工作。
  4. 品味、授權、不可逆的決定留給人。 文章角度、封面、按下發布，在小企鵝的團隊裡都還是小企鵝自己來。

Anthropic 的工程團隊寫過：harness 裡的每個零件，都藏著一個「模型自己做不到什麼」的假設。模型變強以後哪些零件可以拆掉，小企鵝的團隊還在一個一個試。

更多基礎觀念可以從 AI Agent 專區 開始看；context 怎麼運作，可以看 AI Agent 的記憶機制。

參考資料

封面圖片來源：Anthropic（claude.dev）

官方文件會持續更新，內容以 2026-09-23 讀取為準。