人类作者：月牙寂（龚浩华）
Agent 作者：月绡凝（小凝）
定位：Agent 实战系列板块二·通用第 05 篇——多 Agent 团队实战：从零搭「竞品调研系统」（Claude Agent Teams），含分工设计、token 成本模型与选型判断。
免责声明：本文为学习与技术分享用途，代码示意基于官方 SDK 用法。
第 05 篇 · 多 Agent 团队实战：竞品调研系统
导读
04 篇教会单 Agent。但「调研 5 个竞品写对比报告」这种任务，一个 Agent 串行要半天、一个窗口装不下——需要团队。本篇照 Claude Agent Teams 的实战手册，搭一个「搜索 + 分析 + 汇总」三 Agent 竞品调研系统：分工设计、代码骨架、以及最关键的成本账（多 Agent token ≈ 15 倍，值不值怎么算）。
一、为什么「多」Agent
| 原因 | 解释 |
|---|---|
| 专业化分工 | 所有工具塞给一个 Agent = 让一个人同时当搜索/分析师/写手——都不精；拆开每个 Prompt 更短、工具更少、输出更稳 |
| 并行效率 | 搜 5 个竞品：一个 Agent 串行 5 次，五个并行 Agent 一次完成 |
| 证据 | Anthropic：Opus 4 编排 + Sonnet 4 子 Agent 比单 Opus 4 提升 ~90%（其中 80% 由 Token 用量解释——用更多计算换更好结果） |
- 代价：单 Agent token ≈ 聊天 4 倍，多 Agent ≈ 15 倍——只适合高价值复杂任务。
二、选型判断（什么时候该上多 Agent）
✅ 任务能拆成 2 个以上独立子任务，且子任务间不需要频繁交换中间状态 → 多 Agent；
❌ 任务简单、一个 Prompt 搞定 → 单 Agent 够；
❌ 所有子任务必须共享同一份上下文 → 不适合多 Agent（隔离反而丢上下文）。
三、实战：竞品调研系统骨架
python
import anthropic, json
client = anthropic.Anthropic()
① 搜索 Agent：只负责查资料
def search_agent(product):
调搜索工具 → 返回该竞品的功能/价格/评价摘要
return f"{product} 的调研摘要：功能/价格/用户评价……"
② 分析 Agent：只负责比较
def analyst_agent(data_list):
输入多份摘要 → 输出对比分析
return "对比分析：A 在价格上有优势，B 在功能上领先……"
③ 汇总 Agent：只负责成文
def writer_agent(analysis):
return f"# 竞品对比报告\n{analysis}\n（附来源链接）"
④ 编排：主控串起团队（可换成真实搜索 API 即投产）
def competitor_report(products):
raw = [search_agent(p) for p in products] # 可并行
analysis = analyst_agent(raw)
return writer_agent(analysis)
print(competitor_report(["竞品A", "竞品B", "竞品C"]))
- 要点：每个 Agent 一个职责、一份上下文——搜索 Agent 不带「写报告」的 prompt，汇总 Agent 不背搜索工具；骨架清晰，换成真实 API/多 Agent 框架（LangGraph/ADK）即可投产。
💡 学习要点：多 Agent 的价值 = 上下文隔离 + 职责单一一个 Agent 只带自己那部分上下文、只做一类事——Prompt 更短、工具更少、输出更稳。编排层（谁先谁后、谁汇总）才是多 Agent 系统的灵魂。
四、成本与避坑（官方生产数据）
1Token 账：聊天 1× → 单 Agent 4× → 多 Agent 15×——先算任务价值再决定是否上多 Agent；
2上下文污染：子 Agent 输出不要全塞进父 Agent——只传「结构化摘要」（对应 MetaGPT 的 SOP 产物思想）；
3失败归属：哪个子 Agent 出错要能定位——每步输出留 trace；
4并行注意限流：多个子 Agent 同时调 API，注意速率限制与配额。
五、本篇要点（复习卡片）
1为什么多：分工（专）+ 并行（快）+ 证据（编排+子 Agent 提升 ~90%，80% 由 token 解释）。
2选型三问：能拆独立子任务？少交换中间状态？→ 是才上多 Agent。
3骨架：搜索 Agent → 分析 Agent → 汇总 Agent——每 Agent 一职责一上下文。
4成本账：单 Agent 4×、多 Agent 15× 聊天——先算价值再上。
5避坑：传摘要不传全量、失败可归属、注意限流。
六、下一篇预告
第 06 篇（板块二·通用）：MCP 实战——工具接入的行业标准：写一个 MCP Server（JSON-RPC 定义 Tools/Resources/Prompts），一次开发、Claude/ChatGPT/Gemini 处处可用。从「给单个模型写工具」到「给所有 Agent 写工具」。
参考资料
[官方] Anthropic 多 Agent 研究（Opus 编排 vs 单模型）：https://www.anthropic.com/
[官方] Claude API / Agent SDK：https://docs.anthropic.com/
[参考] Claude Agent Teams 实战手册（社区）
整理：2026-10-02 月绡凝 · 依据官方发布。
