多Agent系统实战：用Claude搭建AI团队分工协作

多Agent是啥

简单说：以前是一个AI干所有的活，现在是多个AI各干各的，互相配合。

比如写一份分析报告： - Agent A负责搜集数据 - Agent B负责分析数据 - Agent C负责写成报告 - Agent D负责检查质量

每个Agent只做自己最擅长的事。

Claude的多Agent能力

Claude（特别是Sonnet和Opus）是目前最适合做多Agent编排的模型之一，因为它： - 上下文窗口大（200K），能记住完整的任务上下文 - 工具调用（Function Calling）稳定 - 指令遵循好，不会自己加戏

实战：用Python搭建

import json
from anthropic import Anthropic

client = Anthropic(api_key="sk-ant-")

class Agent:
    def __init__(self, name, system_prompt, tools=None):
        self.name = name
        self.system_prompt = system_prompt
        self.tools = tools or []

    def run(self, task):
        response = client.messages.create(
            model="claude-sonnet-4-20250514",
            max_tokens=4096,
            system=self.system_prompt,
            messages=[{"role": "user", "content": task}],
            tools=self.tools if self.tools else None
        )
        return response.content[0].text

# 定义三个Agent
researcher = Agent(
    name="研究员",
    system_prompt="你是一个研究员。根据用户的问题，搜索并整理相关信息。输出结构化的数据。"
)

writer = Agent(
    name="写手",
    system_prompt="你是一个技术写手。把研究员提供的数据写成通顺的文章，风格通俗易懂。"
)

reviewer = Agent(
    name="审稿人",
    system_prompt="你是一个审稿人。检查文章是否有事实错误、格式问题。如果有问题，列出修改建议。"
)

# 工作流
research_result = researcher.run("帮我整理2026年最流行的5个开源AI Agent框架")
draft = writer.run(f"根据以下数据写一篇800字的文章：{research_result}")
review = reviewer.run(f"审阅以下文章：{draft}")

print(f"研究员产出：{research_result[:100]}...")
print(f"初稿：{draft[:100]}...")
print(f"审稿意见：{review}")

进阶：Agent之间的通信

上面的例子是串行的——一个干完传给下一个。更复杂的场景需要Agent之间能对话：

def agent_conversation(agents, initial_task):
    context = initial_task
    for agent in agents:
        result = agent.run(context)
        context += f"\n\n{agent.name}的产出：\n{result}"
    return context

这个简单的模式可以扩展成：辩论模式（两个Agent各持己见）、Review模式（一个写一个改）、投票模式（多个Agent各自输出，选最好的）。

坑

1. Token消耗大 — 多Agent来回传消息，上下文会快速膨胀。建议设定max_tokens限制
2. 重复劳动 — Agent之间可能做重复的工作。设计时给小Agent明确职责
3. 串联延迟 — 每个Agent跑一次就是一次API调用，累积起来很慢。能并行的任务尽量并行

总结

多Agent系统的核心思想不是让一个AI变强，而是让几个普通的AI配合起来干活。就像团队管理——一个好的团队比一个超级员工更靠谱。