前言

“多智能体系统比单智能体性能提升了 90.2%，但智能体系统的 token 消耗是普通聊天的约 15 倍，你会怎么选择？”

当智能体达到一定智能阈值，多智能体系统成为性能扩展的关键路径，正如人类文明通过协作实现指数级进步。

智能体系统的最后一公里即是核心征程——原型到生产的鸿沟远超预期，因微小错误会引发轨迹级偏差。

Anthropic 刚刚发布了 Claude 的多智能体研究功能！从原型到生产，将他们在实践中学到了很多宝贵经验都开源了。

以下是Lin师傅总结的这份报告中，构建可靠多智能体系统的关键洞察 👇

为什么选择多智能体？3 个核心优势

1/ 并行处理能力。研究任务天然需要探索多个方向。多智能体可以同时搜索不同信息源，而不是缓慢的顺序处理。

2/ 压缩与专业化。每个子智能体在独立上下文窗口中工作，专注特定任务，然后将关键信息压缩传递给主智能体。

3/ 性能显著提升。我们的评估显示：多智能体系统比单智能体性能提升 90.2%！（Token 使用量可以解释这其中 80% 的性能差异。）

智能体提示词工程的 8 个关键原则

1/ 像智能体一样思考。用完全相同的提示和工具构建模拟环境，逐步观察智能体行为。这能立即揭示失败模式。

2/ 教会编排器如何委派。每个子智能体需要：

• 明确目标
• 输出格式
• 工具使用指导
• 清晰任务边界

模糊指令 = 重复工作 + 遗漏关键信息

3/ 根据复杂性调整工作量

• 简单查询：1 个智能体，3-10 次工具调用
• 直接比较：2-4 个智能体，各 10-15 次调用
• 复杂研究：10+ 个智能体，职责明确划分

4/ 工具设计至关重要。智能体使用工具的界面设计，就像人使用软件的界面设计一样关键。

请给智能体明确启发式规则：

• 首先检查所有可用工具
• 匹配工具与用户意图
• 优先专门工具而非通用工具

5/ 让智能体自我改进Claude 4 是出色的提示词工程师！给它提示 + 失败模式，它能诊断问题并建议改进。

我们的工具测试智能体重写工具描述后，任务完成时间减少了 40%。

6/ 先宽后窄的搜索策略。可以模仿专家的提问习惯：

• 从简短、广泛查询开始
• 评估可用信息范围
• 逐步缩小焦点

避免过长、过具体的查询！

7/ 引导思考过程。记住：扩展思考 = 智能体的草稿纸。怎么理解：

• 主智能体用来规划方法
• 子智能体用来评估结果质量
• 显著改善指令遵循和推理

8/ 并行工具调用

两种并行化：

• 主智能体同时启动多个子智能体
• 子智能体并行使用多个工具

结果：复杂查询时间减少高达 90%！

🎯 评估策略的 3 个要点

1/ 立即开始小样本评估。早期变化影响巨大（30% → 80% 成功率）。所以，从 20 个代表性查询开始，不要等"完美"评估体系。

2/ LLM 评判者 + 明确标准

可参考下面评估维度：

• 事实准确性
• 引用准确性
• 完整性
• 信息源质量
• 工具使用效率

3/ 人类评估捕获边缘情况。注意自动化评估会遗漏：

• 异常查询的幻觉
• 微妙的信息源偏见
• 系统故障模式

⚠️ 生产环境的 4 个关键挑战（特别重要，最后一步可能让你功亏一篑）

在智能体系统中，微小的变化会级联放大为重大的行为改变。一个步骤的失败可能导致智能体探索完全不同的轨迹，产生不可预测的结果

1/ 智能体有状态，错误会复合。具体解决方案：

• 从错误位置恢复的系统
• 让智能体知道工具故障并自适应
• 重试逻辑 + 定期检查点

2/ 调试需要新方法。智能体决策是动态的、非确定性的。所以需要完整生产跟踪和决策模式监控双方面的发力。

3/ 部署需要精心协调。智能体可能处于流程任何位置。可以使用彩虹部署，即逐步迁移流量，保持版本并行。

4/ 同步执行产生瓶颈。当前限制是主智能体等待子智能体完成。未来方向将是异步执行和实时协调。

成本考量

现实检查：我们必须诚实面对成本问题。数据显示：

• 智能体 vs 聊天：4x token 使用
• 多智能体 vs 聊天：15x token 使用

但这里有个有趣的权衡：虽然单次查询成本更高，但多智能体系统往往能一次性解决原本需要用户多轮对话才能完成的复杂任务。从总体效率来看，对于合适的场景，这个成本是值得的。

多智能体适合：

• ✅ 高价值、高复杂度的任务
• ✅ 需要大量并行化处理的工作
• ✅ 信息量超出单一上下文窗口的项目
• ✅ 涉及复杂工具交互的任务

不适合：

• ❌ 需要智能体间频繁共享上下文的任务（会产生大量重复信息传递）
• ❌ 智能体间大量依赖
• ❌ 相对简单的编码或写作任务

用户应用场景 Top 5

Anthropic通过其Cilo监控到，最常见的多智能体体系的应用领域如下：

1. 跨专业领域软件开发 (10%)
2. 技术内容开发优化 (8%)
3. 业务增长策略制定 (8%)
4. 学术研究教育材料 (7%)
5. 人员/组织信息验证 (5%)

关键收获

多智能体系统正在改变人们解决复杂问题的方式，但从原型到生产的差距往往比预期更大。成功需要精心的工程设计、全面测试、注重细节的提示和工具设计、稳健的运营实践，以及研究、产品和工程团队之间的紧密协作。**

最重要的是，要理解这些系统具有涌现行为特征——行为并非通过特定编程产生。有效的提示不应该是严格的指令清单，而应该是协作框架，定义分工方式、问题解决方法和工作量分配。

从原型到生产的差距比预期更大，但价值也更巨大！

从商业角度看，15 倍的 token 成本听起来很高，但如果能将一个原本需要几天的研究任务压缩到几分钟，那么投资回报率其实是非常可观的。关键是要在合适的场景下使用合适的工具。

一句话总结：有搞头！

我们如何构建多智能体研究系统

发布于 2025年6月13日

我们的研究功能使用多个 Claude 智能体来更有效地探索复杂主题。在此分享构建这一系统过程中遇到的工程挑战和经验教训。

Claude 现已具备强大的研究能力——它能够搜索整个网络、Google Workspace 以及各种集成平台，从而完成复杂任务。

这个多智能体系统从原型到生产的历程让我们学到了关于系统架构、工具设计和提示工程的重要经验。多智能体系统由多个智能体（在循环中自主使用工具的大语言模型）协同工作组成。我们的研究功能涉及一个根据用户查询规划研究流程的智能体，然后使用工具创建并行智能体来同时搜索信息。多智能体系统在智能体协调、评估和可靠性方面带来了新的挑战。

本文将详细阐述那些对我们行之有效的核心原则——希望这些经验能够帮助你构建属于自己的多智能体系统。

多智能体系统的优势

研究工作涉及开放性问题，很难提前预测所需的步骤。你无法为探索复杂主题预设固定路径，因为整个过程天然具有动态性和路径依赖性。当人们进行研究时，他们会根据新发现不断调整方法，追踪调查过程中涌现的线索。

**正是这种不可预测性，使得AI智能体特别适合承担研究任务。**研究工作要求具备足够的灵活性，能够根据调查的展开情况进行转向或探索相关联系。模型必须能够自主运行多个回合，基于中间发现来决定追求哪些方向。显然，线性的一次性处理流水线无法胜任这类任务。

搜索的本质在于压缩——从庞大的语料库中提炼出有价值的洞察。子智能体通过在各自独立的上下文窗口中并行操作来促进这种压缩过程：它们同时探索问题的不同侧面，然后将最重要的信息浓缩后传递给主研究智能体。每个子智能体还实现了关注点分离——拥有独特的工具、提示和探索轨迹——这样既减少了路径依赖性，又确保了彻底而独立的调查。

一旦智能达到某个阈值，多智能体系统就成为扩展性能的关键途径。举例来说，尽管个体人类在过去10万年中智力有所提升，但人类社会在信息时代却因为集体智慧和协调能力而实现了指数级的能力跃升。即便是通用智能智能体，在独立操作时也会面临局限；而智能体群组却能够完成远超个体的任务。

我们的内部评估显示，多智能体研究系统特别擅长需要同时追求多个独立方向的广度优先查询。我们发现，以 Claude Opus 4 作为主智能体、Claude Sonnet 4 作为子智能体的多智能体系统，**在我们的内部研究评估中比单智能体 Claude Opus 4 的表现提升了90.2%。**例如，当被要求识别标普500信息技术公司的所有董事会成员时，多智能体系统通过将任务分解给子智能体找到了正确答案，而单智能体系统在缓慢的顺序搜索中失败了。

**多智能体系统之所以有效，主要是因为它们有助于花费足够的token来解决问题。**在我们的分析中，三个因素解释了 BrowseComp 评估中95%的性能差异（该评估测试浏览智能体定位难以找到信息的能力）。我们发现token使用本身解释了80%的差异，工具调用次数和模型选择是另外两个解释因素。这一发现验证了我们的架构，即通过具有独立上下文窗口的智能体分配工作，为并行推理增加更多容量。最新的 Claude 模型在token使用上起到了巨大的效率倍增器作用，升级到 Claude Sonnet 4 比在 Claude Sonnet 3.7 上加倍token预算带来更大的性能提升。多智能体架构有效地为超出单智能体限制的任务扩展了token使用。

当然，这种方法也有其代价：在实践中，这些架构消耗token很快。根据我们的数据，智能体通常比聊天交互使用约4倍的token，而多智能体系统比聊天使用约15倍的token。为了经济可行性，多智能体系统需要任务价值足够高以支付增强性能的成本。此外，一些需要所有智能体共享相同上下文或涉及智能体间大量依赖关系的领域目前不适合多智能体系统。例如，大多数编码任务涉及的真正可并行化任务比研究少，而且LLM智能体还不擅长实时协调和委派给其他智能体。我们发现多智能体系统在涉及大量并行化、超出单一上下文窗口的信息以及与众多复杂工具接口的有价值任务中表现出色。

研究功能的架构概览

我们的研究系统使用多智能体架构，采用编排器-工作者模式，其中主智能体负责协调整个流程，同时将具体任务委派给并行运作的专门子智能体。

当用户提交查询时，主智能体会先分析查询内容，然后制定相应策略，并创建子智能体来同时探索不同方面。如架构图所示，子智能体充当智能过滤器的角色——它们通过迭代使用搜索工具来收集信息（例如搜索2025年的AI智能体公司），然后将公司列表返回给主智能体，供其编译最终答案。

传统的检索增强生成（RAG）方法依赖静态检索机制，即获取与输入查询最相似的一些文本块，然后基于这些块生成响应。与此不同，我们的架构采用多步搜索策略：动态发现相关信息，根据新发现进行调整，并通过分析结果来制定高质量的答案。

整个流程的工作原理如下：用户提交查询后，系统会创建一个主研究智能体（LeadResearcher），该智能体进入迭代研究过程。主研究智能体首先思考处理方法并将计划保存到内存中——这样做是为了保持上下文的连续性，因为当上下文窗口超过200,000个token时会被截断，而保留计划至关重要。接着，它会创建专门的子智能体（图中显示两个，但实际数量可以是任意的），每个都承担特定的研究任务。各个子智能体独立执行网络搜索，通过交错思考来评估工具结果，然后将发现返回给主研究智能体。主研究智能体综合这些结果并判断是否需要进行更多研究——如有必要，它可以创建额外的子智能体或完善策略。一旦收集到足够信息，系统就会退出研究循环，并将所有发现传递给引用智能体（CitationAgent）。引用智能体会处理文档和研究报告，识别需要引用的具体位置，确保所有声明都能正确归属到其来源。最终，带有完整引用的研究结果会返回给用户。

研究智能体的提示工程（prompt engeneer）和评估(evals)

多智能体系统与单智能体系统存在关键差异，包括协调复杂性的快速增长。早期智能体犯了诸如为简单查询生成50个子智能体、无休止地搜索不存在的来源、以及过度更新相互干扰等错误。由于每个智能体都由提示引导，提示工程是我们改善这些行为的主要手段。以下是我们学到的一些智能体提示原则：

1. 像智能体一样思考。 要想有效迭代提示，你必须深入理解它们产生的效果。为了做到这一点，我们构建了完全模拟真实环境的测试系统——使用控制台搭建仿真环境，采用与生产系统完全相同的提示和工具，然后逐步观察智能体的工作过程。这种方法立即揭示了各种失败模式：智能体在已经获得足够结果时仍继续工作，使用过于冗长的搜索查询，或者选择错误的工具。有效的提示工程依赖于对智能体建立准确的心理模型，这样才能让最具影响力的改进方向变得一目了然。

2. 教会编排器如何有效委派任务。 在我们的系统中，主智能体负责将查询分解为子任务，并向子智能体详细描述这些任务。每个子智能体都需要明确的目标、输出格式、工具和信息源使用指导，以及清晰的任务边界。缺乏详细任务描述时，智能体往往会重复工作、遗漏关键环节，或者无法找到必要信息。起初，我们允许主智能体给出简单、简短的指令，比如"研究半导体短缺"，但很快发现这些指令过于模糊，导致子智能体误解任务或执行与其他智能体完全相同的搜索。举例来说，一个子智能体可能专注于2021年的汽车芯片危机，而另外两个却重复调查2025年的当前供应链状况，完全没有实现有效的分工协作。

3. 根据查询复杂性合理调整工作量。 智能体往往难以准确判断不同任务所需的适当工作量，因此我们在提示中嵌入了明确的规模化规则。简单的事实查找只需要1个智能体进行3-10次工具调用；直接比较类任务可能需要2-4个子智能体，每个进行10-15次调用；而复杂研究任务可能需要超过10个子智能体，且职责划分必须清晰明确。这些具体的指导原则帮助主智能体高效分配资源，避免在简单查询上过度投资——这正是我们早期版本中的常见失败模式。

4. 工具设计和选择的重要性不容忽视。 智能体与工具的接口就如同人机交互界面一样重要。使用正确的工具不仅能提高效率，往往更是任务成功的必要条件。例如，如果一个智能体试图在网络上搜索只存在于Slack中的上下文信息，那么从一开始就注定失败。当通过MCP服务器让模型访问外部工具时，这个问题会进一步加剧，因为智能体会遇到描述质量参差不齐的陌生工具。为此，我们为智能体制定了明确的启发式规则：首先全面检查所有可用工具，确保工具使用与用户意图相匹配，利用网络搜索进行广泛的外部探索，优先选择专门工具而非通用工具。糟糕的工具描述会让智能体误入歧途，因此每个工具都必须具有明确的用途和清晰的描述。

5. 让智能体具备自我改进能力。 我们发现 Claude 4 模型可以成为出色的提示工程师。当提供提示内容和失败模式时，它们能够准确诊断智能体失败的根本原因并提出改进建议。我们甚至开发了专门的工具测试智能体——当面对有缺陷的MCP工具时，它会尝试使用该工具，然后重写工具描述以避免未来的失败。通过对工具进行数十次测试，这个智能体能够发现关键的细节问题和潜在错误。这种改进工具易用性的过程让后续使用新描述的智能体任务完成时间减少了40%，因为它们能够避免大多数常见错误。

6. 采用先宽后窄的搜索策略。 搜索策略应该模仿专家级人类研究者的方法：在深入具体细节之前，先探索整体情况和背景。智能体往往倾向于使用过长、过于具体的查询，这样通常只能返回很少的结果。我们通过提示智能体从简短、广泛的查询开始，评估可获得的信息范围，然后逐步缩小焦点来纠正这种倾向。

7. 精心引导思考过程。 扩展思考模式让 Claude 能够在可见的思考过程中输出额外的token，这实际上为智能体提供了一个可控制的思维草稿纸。主智能体利用思考过程来规划处理方法：评估哪些工具最适合当前任务，确定查询的复杂程度和所需子智能体数量，并为每个子智能体定义具体角色。我们的测试结果表明，扩展思考显著改善了指令遵循能力、推理质量和整体效率。子智能体同样会进行规划，然后在获得工具结果后使用交错思考来评估信息质量、识别知识空白，并优化下一轮查询。这种机制使子智能体在适应各种任务时更加高效。

8. 并行工具调用带来速度和性能的双重提升。 复杂的研究任务天然涉及对多个信息源的探索。我们早期的智能体采用顺序搜索方式，速度令人难以忍受。为了提升速度，我们引入了两种类型的并行化处理：(1) 主智能体同时而非依次启动3-5个子智能体；(2) 子智能体并行使用3个以上的工具。这些改进将复杂查询的研究时间最多减少了90%，让研究功能能够在几分钟而非几小时内完成更多工作，同时覆盖比其他系统更广泛的信息范围。

我们的提示策略核心在于灌输良好的启发式方法，而非制定僵化的规则。我们深入研究了熟练的人类研究者如何处理研究任务，并将这些策略编码到提示中——比如将困难问题分解为更小的可管理任务，仔细评估信息源的质量，根据新信息灵活调整搜索方法，以及准确识别何时应该专注于深度（深入调查单一主题）还是广度（并行探索多个主题）。我们还通过设置明确的防护措施来主动缓解意外副作用，防止智能体行为失控。最终，我们专注于构建具有良好可观察性和完整测试用例的快速迭代循环。

智能体评估的有效方法

优秀的评估体系对于构建可靠的AI应用至关重要，智能体系统也不例外。然而，评估多智能体系统面临着独特的挑战。传统评估方法通常基于这样的假设：AI系统每次都会遵循相同的步骤——给定输入X，系统应该遵循路径Y来产生输出Z。但多智能体系统的工作方式截然不同。即使从相同的起点出发，智能体也可能采取完全不同但同样有效的路径来达成目标。一个智能体可能搜索三个信息源，而另一个可能搜索十个；或者它们使用不同的工具却找到相同的答案。正因为我们并不总是知道"正确"的步骤应该是什么，所以通常无法简单地检查智能体是否遵循了我们预先规定的"标准"流程。相反，我们需要更加灵活的评估方法——既要判断智能体是否达到了正确的结果，也要确保它们遵循了合理的处理过程。

1. 立即开始评估，哪怕样本很小。 在智能体开发的早期阶段，变化往往会产生戏剧性的影响，因为存在大量容易获得的改进机会。一个简单的提示调整就可能将成功率从30%提升到80%。面对如此巨大的效应，你只需要几个测试用例就能清楚地观察到变化的影响。我们从大约20个代表真实使用模式的查询集合开始测试。对这些查询的测试通常能让我们清晰地看到各种改进的效果。我们经常听到AI开发团队推迟创建评估体系，因为他们认为只有包含数百个测试用例的大规模评估才有价值。然而，最好的做法是立即开始小规模测试——用几个精选的例子，而不是等到能够构建更全面的评估体系时再开始。

2. 精心设计的LLM评判者评估具有良好的扩展性。 研究输出很难通过程序化方式进行评估，因为它们通常是自由形式的文本，很少有唯一的正确答案。LLM天然适合承担输出评分的任务。我们使用LLM评判者根据评分标准中的多个维度来评估每个输出：事实准确性（声明是否与来源相符？），引用准确性（引用的来源是否支持相应的声明？），完整性（是否涵盖了所有要求的方面？），来源质量（是否优先使用权威的主要来源而非质量较低的次要来源？），以及工具使用效率（是否以合理的频次使用了正确的工具？）。我们尝试过使用多个评判者来评估各个组件，但最终发现单个LLM调用配合单一提示、输出0.0-1.0分数和通过-失败判定的方法最为一致，也最符合人类的判断标准。当评估测试用例确实存在明确答案时，这种方法特别有效——我们可以让LLM评判者简单地检查答案是否正确（例如，是否准确列出了研发预算最高的前三家制药公司？）。使用LLM作为评判者让我们能够可扩展地评估数百个输出结果。

3. 人类评估能够捕获自动化评估遗漏的问题。 人工测试智能体能够发现自动化评估错过的边缘情况，包括对异常查询的幻觉性回答、系统故障，或者微妙的信息源选择偏见。在我们的实际应用中，人类测试者注意到早期智能体总是倾向于选择SEO优化的内容农场，而忽略了那些权威性更强但搜索排名较低的来源，比如学术PDF文件或个人博客。在提示中加入信息源质量评估的启发式规则有效解决了这个问题。即使在自动化评估日益普及的今天，人工测试仍然是不可或缺的环节。

多智能体系统具有涌现行为特征——这些行为并非通过特定编程产生。例如，对主智能体的微小调整可能会不可预测地改变子智能体的行为模式。要获得成功，关键在于理解交互模式，而不仅仅是个体智能体的行为。因此，这些智能体的最佳提示不应该是严格的指令清单，而应该是协作框架——定义分工方式、问题解决方法和工作量分配。要做好这一点，需要依靠精心设计的提示和工具、可靠的启发式方法、良好的可观察性，以及紧密的反馈循环。你可以参考我们在Cookbook中开源的提示示例，了解我们系统中使用的具体提示内容。

生产可靠性和工程挑战

在传统软件开发中，错误可能会破坏功能、降低性能或导致系统中断。而在智能体系统中，微小的变化会级联放大为重大的行为改变，这使得为那些必须在长期运行过程中维护状态的复杂智能体编写代码变得极其困难。

智能体具有状态性，错误会产生复合效应。 智能体可以长时间运行，在多次工具调用过程中持续维护状态信息。这意味着我们需要确保代码的持久执行能力，并妥善处理过程中出现的各种错误。如果缺乏有效的缓解措施，轻微的系统故障对智能体而言可能是灾难性的。当错误发生时，我们不能简单地从头重新开始——重启既昂贵又会让用户感到沮丧。相反，我们构建了能够从智能体出错位置恢复运行的系统。我们还充分利用模型的智能来优雅地处理各种问题：例如，当工具出现故障时告知智能体并让其自主适应，这种方法的效果出人意料地好。我们将基于 Claude 构建的AI智能体的适应性与重试逻辑、定期检查点等确定性保障措施相结合。

调试工作受益于全新的方法论。 智能体会做出动态决策，即使使用相同的提示，不同运行之间也表现出非确定性特征。这使得调试工作变得更加困难。例如，用户会报告智能体"没有找到显而易见的信息"，但我们却看不出问题所在。智能体是在使用糟糕的搜索查询吗？选择了质量不佳的信息源？还是遇到了工具故障？通过添加完整的生产环境跟踪功能，我们能够诊断智能体失败的具体原因，并系统性地修复问题。除了标准的可观察性措施，我们还监控智能体的决策模式和交互结构——所有这些监控都不涉及个人对话内容，以确保用户隐私得到保护。这种高层次的可观察性帮助我们诊断根本原因、发现意外行为模式，并修复常见的故障类型。

部署过程需要精心协调。 智能体系统是由提示、工具和执行逻辑组成的高度有状态的复杂网络，几乎需要持续运行。这意味着每当我们部署更新时，智能体可能正处于其处理流程中的任何位置。因此，我们需要确保善意的代码更改不会破坏正在运行的智能体。我们不能同时将所有智能体更新到新版本。相反，我们采用彩虹部署策略来避免干扰运行中的智能体——通过逐步将流量从旧版本迁移到新版本，同时保持两个版本并行运行。

同步执行方式会产生瓶颈。 目前，我们的主智能体采用同步方式执行子智能体，需要等待每组子智能体完成任务后才能继续。这种方式简化了协调工作，但在智能体之间的信息流动中产生了瓶颈。例如，主智能体无法实时引导子智能体，子智能体之间无法相互协调，而且整个系统可能会因为等待单个子智能体完成搜索而被阻塞。异步执行将能够实现额外的并行性：智能体可以并发工作，并在需要时创建新的子智能体。但这种异步性在结果协调、状态一致性和跨子智能体的错误传播方面增加了复杂性。随着模型处理更长、更复杂研究任务能力的提升，我们预期性能收益将足以证明这种复杂性是值得的。

结论

在构建AI智能体的过程中，最后一英里往往占据了整个旅程的大部分路程。那些在开发者机器上运行良好的代码库，需要经过大量的工程改造才能成为可靠的生产系统。智能体系统中错误的复合特性意味着，对传统软件而言微不足道的小问题，可能会完全破坏智能体的正常运行。一个步骤的失败可能导致智能体探索完全不同的轨迹，从而产生不可预测的结果。基于本文所描述的种种原因，从原型到生产的差距往往比预期更大。

尽管面临这些挑战，多智能体系统已经证明了其在开放性研究任务中的巨大价值。用户反馈表明，Claude 帮助他们发现了此前未曾考虑的商业机会，在复杂的医疗选择中提供导航，解决棘手的技术难题，并通过发现他们独自无法找到的研究关联而节省了数天的工作时间。多智能体研究系统能够在大规模应用中可靠运行，但这需要精心的工程设计、全面的测试、注重细节的提示和工具设计、稳健的运营实践，以及对当前智能体能力有深刻理解的研究、产品和工程团队之间的紧密协作。我们已经看到这些系统正在改变人们解决复杂问题的方式。

一张Clio嵌入图，展示了人们今天使用Research功能的最常见方式。从用户使用研究功能的情况来看，最常见的应用场景包括：跨专业领域开发软件系统（10%），开发和优化专业技术内容（8%），制定业务增长和收入生成策略（8%），协助学术研究和教育材料开发（7%），以及研究和验证有关人员、地点或组织的信息（5%）。这些数据清晰地展现了多智能体研究系统在各个领域的广泛应用价值。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】