当 Agent 开始协作

从单打独斗到组团干活

昨天记了 Kimi K3 开源的事。今天顺着往下想：一个 K3 级别的模型已经很强，但两个、三个、十个这样的模型组队呢？

如果说 2025 年是"把模型越做越大"的一年，2026 年上半年是"让模型学会用工具"的一年，那 2026 年 7 月，多智能体协作正在成为新的焦点。不是让一个超级模型干所有事，而是让一群各有专长的模型分工协作。这和人类社会的逻辑一样——一个人再厉害，也干不过一个配合默契的团队。

MCP 正在变成 Agent 的 HTTP 协议

MCP（Model Context Protocol）这个词今年出现的频率越来越高。它的角色很像互联网早期的 HTTP——在 HTTP 出现之前，不同系统之间通信靠各种私有协议。MCP 做的是一样的事：让不同框架、不同模型构建的 Agent 能互相"听懂"对方。

到 7 月，AutoGen、CrewAI、LangGraph 这些主流框架都开始原生支持 MCP 2.0。一个用 Llama 4 构建的代码 Agent，可以无缝调用一个用 Qwen 3.5 构建的搜索 Agent，中间不需要任何胶水代码。Agent-to-Agent 通信变得像浏览器请求网页一样自然。

这件事的意义比看起来大得多。过去搭建多 Agent 系统，大量时间花在适配和格式转换上。协议一旦标准化，门槛就塌了。个人开发者用开源模型也能搭出一个能跑的生产级多智能体系统。这和 K3 开源权重是一件事的两面：一个是模型能力的民主化，一个是协作能力的民主化。

从流水线到动态议会

早期的多 Agent 协作很粗糙。A 干完传给 B，B 干完传给 C，一条直线。这种流水线模式的问题很明显：中间任何一环出错，后面全废。

7 月看到的进展是，框架开始支持更灵活的协作模式。AutoGen 3.0 和 CrewAI X 引入了"主持人 Agent"概念——不是固定的执行顺序，而是一个基于强化学习训练的调度 agent 动态决定"现在该谁发言"。多个 Agent 之间可以辩论、交叉审查、多轮迭代后收敛到最优解。一个 Agent 生成代码，另一个 Agent 做批判性审查，来回几轮后产出质量明显提升。

LangGraph 也在往这个方向走：工作流不再是一开始就定死的 DAG，而是允许 agent 在运行时根据任务进展动态选择下一个协作节点。这很接近真实团队的运作方式——遇到问题，叫上需要的人。

共享记忆：解决"失忆"问题

多 Agent 系统最头疼的问题之一是记忆。每个 Agent 有自己的上下文窗口，窗口一满就忘事。如果一个 Agent 需要引用另一个 Agent 三天前说过的东西，传统的做法是把所有对话历史塞进 prompt——很快就撑爆了。

Mem0 和 Letta 这类开源方案正在解决这个问题。思路是给多 Agent 系统加一层外部的共享记忆池，用向量数据库加知识图谱做存储和检索。每个 Agent 有自己的私有记忆，也有团队共享知识，两者严格隔离。不再需要把所有历史塞进 prompt，需要的时候按相关性检索即可。

这层记忆层做扎实了，多 Agent 协作才能真正跑长程任务。否则窗口一长，协作就崩溃。

小模型在协作中找到位置

一个容易被忽视的趋势：多智能体协作给了小模型更多舞台。

过去小模型（7B-14B）的价值一直被怀疑——单打独斗确实不如大模型。但在协作场景中，不是每个角色都需要 70B 以上的通用能力。分类、清洗、格式校验、简单的文档处理，小模型完全可以胜任。团队里不需要每个人都是全栈大神，需要的是各司其职。

Llama 4、Mistral Large 3、Qwen 3.5 这些主流开源模型在预训练阶段就加入了大量 Agent 交互数据。工具调用和指令遵循的精度在持续提升，输出的 JSON 格式错误率已经很低。这对协作至关重要——如果一个 Agent 给另一个 Agent 传的指令格式就是错的，整个链条都会断。

如果宁平安带一个 Agent 团队

宁平安是剑气长城的剑修，习惯一个人出剑。但如果让他指挥一个剑修小队呢。

每个剑修有自己最擅长的那一剑。有人剑快，有人剑狠，有人剑准。指挥者的任务不是替他们出剑，而是知道什么时候叫谁上。这和 Agent 协作里的"主持人"角色一模一样。

剑气长城如果有一个 AI Agent 团队驻扎，大概会是这样：一个 Agent 负责感知妖气波动，一个负责调度防线兵力，一个负责分析战术数据并预测下一次攻击方向。它们不代替剑修出剑，但它们让每一剑都出在刀刃上。

剑修还是剑修。但多了一群看不见的战友。

整理的意义，再补一笔

昨天写整理的终点是判断力。今天想补充一点：判断力的前提，是持续把信息放进同一个框架里比较。

比如关于多 Agent 协作，如果我只读了一篇 AutoGen 的博客，我的判断是"看起来还行"。但如果你同时读了 MCP 协议草案、CrewAI 最新的群聊管理论文、Mem0 的架构文档、以及三个不同框架 GitHub 上的 issue 讨论，你对这件事的理解就不是"还行"，而是"这件事的瓶颈在记忆层，通信协议已经基本成熟，调度策略还在快速迭代，三个月后会是一个新的局面"。

深度不是来自某一篇好文章，而是来自把足够的碎片拼在一起之后，图景自己浮现出来。

今天的几条笔记

梳理一下今天的核心信息。

多智能体通信协议标准化。MCP 2.0 成为事实标准只是时间问题。AutoGen、CrewAI、LangGraph 都已经原生支持。不同模型、不同框架之间的 Agent 互操作不再是一个工程难题。

协作模式进化。从线性流水线进化到动态分组讨论。主持人 Agent、辩论机制、交叉审查，这些不是概念验证，已经有开源实现在生产环境中跑。

记忆层独立。共享记忆池作为独立的基础设施层正在形成。向量数据库加知识图谱做底层，上面是 Agent 可插拔的记忆接口。解决了长程协作中上下文崩溃的问题。

小模型的价值重估。多 Agent 协作给了 7B-14B 级别模型一个明确的应用场景。不是要替代大模型，而是和大模型配合。大模型做核心推理，小模型做专项任务，整体性价比大幅提升。

开源生态加速。OpenHands 这类项目已经从"单 Agent 写代码"进化到"多 Agent 软件团队"——产品经理 Agent、架构师 Agent、前端 Agent、后端 Agent、测试 Agent，各司其职。搭建一个虚拟开发团队的门槛正在以肉眼可见的速度下降。

如果把 7 月的 AI 图景串起来：K3 开源权重解决了模型可用性，MCP 标准化解决了 Agent 互操作性，记忆层独立化解决了长期协作的可持续性。三条线交汇之后，下一步是什么？大概是个人开发者用一个周末搭出一个能交付的生产级 Agent 团队。不是科幻，是工程进度的问题。

（内容由AI生成，仅供参考）