YouMind
登录

5 种经研究验证的 Agent 编排模式

@googlecloud
英语2026年11月19日
239K
2.6K
248
63
4.7K

TL;DR

五种基于研究的模式用于编排多个 AI 编码 Agent,包括构建者-验证者分离和 Best of N 选择策略,相比单 Agent 方法显著提升了可靠性。

很多开发者都在凭感觉组建 Agent 团队、做 Agent 编排,但这真的有效吗?

在这篇文章中,我会介绍五种有研究支撑的模式,帮你在 Antigravity、Claude Code 或任何其他编程 Agent 中运行 Agent 团队。无论你是开发新应用、维护遗留代码库,还是做研究,你都能了解每种模式在什么情况下胜过单个 Agent,并获得可以直接使用的提示词来亲自尝试。

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。 与其让一个 Agent 包揽一切,不如把构建和验证拆成两个独立的线程。一个 Agent 负责构建;另一个 Agent 在全新的线程里检查结果是否符合你的要求。如果模型在同一个线程里审查自己的输出,很容易被自己之前的内容带偏。

事实上,研究表明模型并不擅长评判自己的工作。它们在没有外部反馈的情况下很难修正自己的推理,而且更偏爱自己的输出而非别人的。

对于重要的改动,请使用这种模式。如果是小改动,或者测试本身就能给出反馈,自我审查依然没问题。

提示词:启动一个新的子 Agent 作为只读验证者。让它检查这个 diff 是否实现了我的要求。

Google Cloud - inline image

2. 把工作拆分成不同赛道。 当任务能清晰拆分时,给每个部分指定专属负责人,比如前端、后端和文档各用一个子 Agent。让它们并行工作,但不要编辑同一个文件。

在一项 2026 年针对 652 个编程任务的研究中,两个 Agent 处理重叠代码的成功率,比一个 Agent 同时完成两项任务低约 30%。

在一项 Google 与 MIT 的联合研究中,在一个各部分相互独立的金融基准测试上,Agent 团队的得分比单个 Agent 高出最多 80.8%;而在一个每步都依赖上一步的规划基准测试上,得分却低了 39% 到 70%。

Google Cloud - inline image

对于难以干净拆分为前端、后端这类独立部分的工作,单线程往往表现更好。小型 bug 修复也是如此,在另一项研究中,并行子 Agent 并没有带来帮助。

提示词:并行启动三个子 Agent:一个负责 web/ 下的前端,一个负责 api/ 下的后端,一个负责 docs/ 下的文档。每个只编辑自己文件夹里的文件。三个都完成后,检查各部分能否协同工作。

Google Cloud - inline image

3. N 选最佳(Best of N)。 并行多次执行同一任务,让测试套件或评估程序选出最优解。DeepMind 的编程系统 AlphaCode 就是这么做的:它生成大量候选程序,然后通过运行来筛选。这种方法在编程竞赛中表现出了很强的竞争力。

在一项 2024 年关于 Best of N 方法的研究中,在有自动检查的任务上,经过数千次尝试后通过率仍在持续上升。在真实的 GitHub issue 上,某个模型从单次尝试解决 15.9%,提升到 250 次尝试解决 56%。但如果没有自动检查,靠多数投票或评分模型来挑选优胜者,效果在 100 次尝试左右就趋于平稳了。

Google Cloud - inline image

提示词:在 Gemini 4 Hydrogen 上并行运行五个子 Agent,每个在自己的 worktree 中尝试优化这段代码。用评估程序给每次尝试打分,选出最好的那个,并告诉我结果。

4. 模型评审团。 向多个模型征集独立方案,让评委在隐藏模型名称的情况下投票,然后融合最出色的想法。适用于没有明确测试或自动检查的场景,比如架构设计或视觉设计。

在一项研究中,整合多个模型的答案得分高于单个前沿模型。在另一项研究中,由不同模型组成的评审团比单个大型评委更贴近人类判断。

Google Cloud - inline image

举个例子,我用模型评审团设计了这个飞船 logo。两轮迭代就把它从平淡的初稿变成了最终的图标。

Google Cloud - inline image

提示词:分别让 Gemini 4 Carbon、Gemini 4 Neon 和 Claude Opus 5.5 各出一个独立设计方案。再启动三个全新的 Agent(分别在 Gemini 4 Carbon、Gemini 4 Neon 和 Claude Opus 5.5 上),在隐藏模型名称的前提下给这些方案打分。把最好的想法融合到最终胜出的方案中。

5. 评审团队。 并行运行多个只读评审员,每个只负责一项工作,比如 UX 或安全。

在一项 1995 年的经典人类评审研究中,成员各自寻找不同类型错误的团队,比所有人都使用同一份通用常见错误清单的团队多发现了约 35% 的错误。

事实证明,AI 评审员也遵循类似的规律。在一项关于 LLM 评委的研究中,角色分工明确的团队比单个评委更贴近人类判断;而当所有评委共用同一个角色时,表现反而更差。

Google Cloud - inline image

提示词:并行启动四个只读评审员,分别负责 UX、代码简洁性、边界情况和安全性。修复他们提出的问题,然后用新的评审员重复这一过程,直到四人都通过为止。

这些模式更像是积木,而不是死板的规则。你可以按任何适合自己的方式组合使用,下面这张简单的流程图可以帮你判断什么时候该用哪一种:

Google Cloud - inline image
一键保存

使用 YouMind AI 深度阅读爆款文章

保存原文、追问细节、总结观点,并在一个 AI 工作空间里把爆款文章沉淀成可复用笔记。

了解 YouMind
写给创作者

把你的 Markdown 变成干净的 𝕏 文章

图片上传、表格、代码块,往 𝕏 上手动重排太痛苦。YouMind 把整篇 Markdown 一键转成干净、可直接发布的 𝕏 文章草稿。

试试 Markdown 转 𝕏

更多可拆解样本

近期爆款文章

探索更多爆款文章