Anthropic 公開「多代理 AI」設計與提示工程 8 大原則，效能飆升 90%
AI 代理技術不斷演進，但怎麼讓「多個 AI 代理」有效率地協作，成為最新看點。Anthropic 首度公開其 Claude Research 系統背後的技術原理，揭示一套以「多代理」架構打造的 AI 協作系統，可以橫跨網路、整合 Google Workspace 進行搜尋，具備完成複雜研究任務的能力。Anthropic 表示，希望自身經驗能提供其他開發者借鑒。
Anthropic 這套多 AI 代理系統，設計核心是透過一個 AI「主代理（lead agent）」分析用戶輸入並制定查詢策略，再同時啟動多個「子代理（subagents）」；子代理將進行資訊搜尋、將資訊回傳給主代理，以便主代理彙整答案。Anthropic 表示，其效能更勝單一代理。
超越 RAG，多代理 AI 能自主「用 AI 改善 AI」
在 Anthropic 內部測試中，其多代理系統（主代理為 Claude Opus 4，子代理為 Claude Sonnet 4），相較單一 Claude Opus 4 模型效能提升高達 90.2%。Anthropic 指出，這套系統特別適用於需要同時展開多線查詢、涵蓋大量資訊來源的應用情境。
為什麼多代理 AI 可以如此大幅提升效能？根據 Anthropic 說明， 傳統的檢索增強生成（RAG）方法通常採用靜態檢索，也就是從資料庫中擷取與輸入查詢最相似的一組內容片段，再根據這些片段生成回應。相較之下，Anthropic 架構採用多步驟搜尋流程，能動態尋找相關資訊，根據新發現進行調整，並分析結果以生成高品質的答案。
此外，Claude 4 系列模型能進一步自我診斷與改善提示設計（prompt engineering），針對工具描述不佳的情況，重新優化提示，以提升後續代理執行效率，凸顯「AI 改善 AI」的能力。
打造多代理 AI 的 8 大提示工程原則
面對多代理 AI 系統的高度複雜性，Anthropic 在設計 Claude Research 系統過程中，也整理出 8 項具體的提示工程（prompt engineering）原則，希望協助開發者更有效地引導 AI 代理合作與任務執行：
首先，他們強調「要像代理那樣思考」：開發者應透過模擬代理運作流程、觀察其步驟來理解錯誤模式，才能更具體地改善提示詞。第二個原則是「教會主代理如何分派任務」，具體來說，每個子代理都需明確的目標、輸出格式、適用工具與資料來源的指示，否則容易導致重複或遺漏。
第三，依照查詢複雜度調整 AI 代理工作量，因為代理難以判斷不同任務的合理工作量。第四，AI 代理選擇使用的工具很重要。Anthropic 表示，AI 代理會遇到一些描述品質參差不齊，沒見過的工具，因此需要提供其明確的應對方法。
第五個重點是「讓代理幫自己變更聰明」，Anthropic 舉例，Claude 模型本身具備提示優化能力，可透過試錯方式重寫工具描述，降低未來任務的錯誤率與完成時間。第六個原則是「從廣泛探索開始，再逐步聚焦」，代理若一開始就下過於具體的查詢，反而容易錯失重要資訊。
第七項是「引導代理展開思考流程」，透過可見的推理階段（extended thinking），讓主代理與子代理能在搜尋前先規劃路徑，並在每輪搜尋後評估資訊品質與下一步策略。最後，Anthropic 強調「平行調用工具」能顯著提升效能，在技術實作上，不僅子代理可同時啟動，子代理內部也能同時使用多個工具。
AI 代理發展下一步：非同步代理協作
目前 Claude 的 AI 代理架構仍以同步執行為主，也就是主代理會等待所有子代理任務完成後再進行下一步。但 Anthropic 指出，這有時會遭遇瓶頸，例如系統會被最慢的子代理「卡住」，一個子代理延遲就會拖慢整體流程。
Anthropic 表示，「非同步執行」作法下，子代理完成任務後可隨時回傳結果，主代理能邊接收、邊調整策略，甚至在運行中動態創立新代理。此轉變雖可提升彈性與速度，不過仍面臨協作、狀態管理與錯誤處理等尚未解決的技術挑戰。
＊本文部分初稿由 AI 生成，經《TechOrange》編撰，資料來源：Anthropic、《the decoder》，首圖來源：擷取自 Anthropic