一个 AI 写代码，写到一半开始"失忆"；两个 AI 协作，互相甩锅说对方写得烂；三个 AI 轮班，居然能连续肝 8 小时全栈开发——这是 Anthropic 工程师最近拿出的新玩法。
4 月 4 日，Anthropic 发布了一套多智能体协作框架（multi-agent harness），专门解决"AI 编程马拉松"里的两个老毛病：上下文丢失和任务半途而废。不是让单个模型硬撑，而是把活儿拆给三个角色：规划师、生成师、质检员。
为什么一个 AI 干不了长活儿
用过 Claude 写代码的人都知道，聊到第 50 轮左右，模型开始"眼神涣散"。不是算力不够，是上下文窗口（context window）塞满了——之前的对话、代码、报错信息像堆叠的快递盒，把通道堵死。
常见的解法是上下文压缩（compaction），把历史对话精简摘要。但 Anthropic 工程师发现，这会让模型变得"谨小慎微"：它知道快触顶了，于是提前收手，长任务反而做不完整。
更隐蔽的问题是自我评估偏差。AI 给自己写的 UI 打分时，往往比人类宽松得多——"这个按钮配色挺和谐的"——结果用户看到实物直接沉默。
单个智能体的天花板，不是算力，是自我认知的盲区。
Anthropic 的解法很产品经理思维：不卷单个模型的极限，而是设计一套"轮班制"。三个智能体各司其职，交接时不是扔一堆聊天记录，而是结构化的状态文档——下一位接班者能快速定位，不用从头翻历史。
三班倒是怎么运转的
这套框架把开发流程切成三道工序：
规划智能体（Planning Agent）负责拆解任务。拿到"做一个电商后台"这种模糊需求，它输出技术方案、文件结构、依赖清单——相当于开工前的图纸会审。
生成智能体（Generation Agent）是主力码农。它只认规划师给的蓝图，埋头写代码。写完不自己拍板，把产物打包成"交付物"（artifact）。
评估智能体（Evaluation Agent）当质检。它用预定义的评分标准（rubric）验收，比如"按钮对比度是否达标""API 响应是否小于 200ms"。不通过就打回，附带具体修改意见。
关键设计在交接机制。规划师下班时，不会把脑子里想的都倒给生成师——而是输出一份结构化文档：技术决策、待办事项、风险点。生成师完工后，交付物里包含代码、测试用例、已知缺陷。评估师的反馈又是下一轮规划的输入。
上下文在这里不是被压缩，而是被"归档"——每个角色只读自己需要的卷宗。
这套流程支持多轮迭代。Anthropic 的测试显示，系统能稳定运行数小时，处理前端设计到后端部署的全栈任务。对比单智能体长会话，任务完成率显著提升——具体数字未公开，但工程师提到"从频繁中断到可持续交付"。
为什么专门拆出一个"质检员"
AI 给自己打分虚高，这事 Anthropic 早有观察。设计类任务尤其明显：模型容易陷入"自我陶醉"，把平庸的 UI 评成优秀。
评估智能体的独立性是刻意设计的。它不参与代码生成，只拿着评分表当"甲方"。评分标准可以定制——可以是设计规范文档，也可以是性能基准测试。
这种分离有个额外好处：可解释性。当生成师抱怨"凭什么打回"时，评估师能指着评分表逐条说理。虽然都是 AI，但角色对立制造了类似"代码评审"的张力。
Anthropic 工程师在内部文档里打了个比方：「让同一个厨师又做菜又写食评，和让独立美食评论家打分，结果必然不同。」
质检员的存在，本质是给系统引入"外部视角"——尽管这个外部也是机器。
长时运行的工程细节
支撑数小时不间断运行的，是一组底层机制。
上下文重置（context reset）是核心。每个智能体启动时，不继承前任的完整对话历史，而是读取结构化的"交接文档"。这避免了上下文线性膨胀，也让模型始终保持"清醒"——不会被几十轮前的错误假设带偏。
状态持久化（state persistence）确保中断后可恢复。如果任务跑到一半服务器挂了，重启后能从最后一个检查点继续，不用从头再来。
工具调用链（tool chaining）被严格管控。生成师调用代码解释器、浏览器、文件系统时，操作日志被完整记录，评估师可以复盘"这行 bug 是怎么引入的"。
这些设计指向同一个目标：把"AI 编程"从聊天式的即兴创作，变成可管理、可追踪的工程流程。
和前代方案的区别
多智能体协作不是新概念，但 Anthropic 的实现有几处差异化。
一是角色固定而非动态拆分。有些框架让 AI 自己决定"我现在该当规划师还是码农"，结果角色切换频繁，状态混乱。Anthropic 选择硬编码三角色，降低协调成本。
二是交接物的结构化。不是扔一段自然语言总结，而是带格式的技术文档——类似人类团队里的需求文档、接口文档、测试报告。
三是评估的强制性。生成师的产出必须经过评估师关卡，不能自我放行。这增加了延迟，但减少了"半成品上线"的风险。
Anthropic 提到，这套框架已在内部用于原型开发，覆盖从 React 前端到 Python 后端的完整栈。工程师特别指出，前端设计任务受益最明显——因为评估标准相对客观（对比度、间距、响应式断点），质检员能有效约束生成师的"审美放飞"。
对开发者的实际意义
这套设计目前以研究形态发布，尚未集成到 Claude 的公开 API。但技术文档已足够详细，第三方可以复现。
对普通用户的直接价值有限——你没法明天就雇三个 AI 轮班写自己的 App。但它揭示了 Anthropic 的产品思路：不追求单点参数突破，而是把 AI 能力封装成可组合的工程模块。
更深远的影响在生态层面。如果多智能体协作成为标准做法，开发工具链会被重塑。IDE 不再是对话窗口，而是"智能体调度台"：查看哪个角色在值班、当前迭代轮次、历史评估记录。
调试方式也会变。现在的 AI 编程，出错了只能翻聊天记录猜原因。未来可能是调取评估师的质检报告，看"第三轮迭代时性能评分骤降，对应哪次代码变更"。
从"和 AI 聊天"到"管理 AI 团队"，交互范式正在转移。
另一个值得注意的点是成本结构。三智能体轮班，意味着同样的任务要调用三次模型（规划、生成、评估）。Anthropic 没有披露具体开销，但承认"增加了计算资源消耗"。这是换取可靠性的代价——和雇人类团队一样，分工细化带来效率，也带来管理成本。
行业里的同类探索
多智能体编程并非 Anthropic 独家。OpenAI 的 Swarm、Google 的 Multi-Agent Orchestration、开源社区的 AutoGen 都在尝试类似方向。
差异主要在协调机制。Swarm 强调动态任务分配，智能体根据当前状态自选角色；AutoGen 支持更灵活的角色定义，但配置复杂度较高。Anthropic 的选择是"做减法"——固定三角色、强制评估关卡、结构化交接——换取可预测性。
这种取舍符合其产品调性。Claude 一贯以"更可控"为卖点，相比 GPT 的创意奔放，更强调遵循指令和减少幻觉。三智能体框架延续了这一路线：不是让 AI 更聪明，而是让 AI 协作更可靠。
也有批评声音。部分开发者认为固定角色限制了灵活性，"有些任务根本不需要规划师，直接写代码更快"。Anthropic 的回应是框架支持配置化——可以关闭某个角色，但默认三班倒是经过验证的"安全模式"。
技术文档里的一个细节
Anthropic 发布的技术文档中，有个容易被忽略的参数：评估智能体的评分表（rubric）支持人工覆盖。
意思是，如果自动评估和人类判断冲突，开发者可以介入调整标准。这保留了"人在回路"（human-in-the-loop）的接口——不是完全自动化的黑箱。
这个设计很产品经理。完全自动化的 AI 团队是远景，但现阶段"AI 干活、人类把关"更务实。评估师的存在，其实是把"把关"环节也自动化了大部分，但留了一扇后门。
文档里还提到一个边界案例：当生成师和评估师陷入"改-打回-再改-再打回"的循环时，系统会触发升级机制，由规划师重新介入调整任务拆分。这类似于人类团队里的" escalate 到管理层"。
这些细节说明，Anthropic 设计的不是三个独立 AI，而是一个有反馈回路、有异常处理的组织系统。
开放问题
三智能体框架能跑通，建立在 Anthropic 对 Claude 能力的深度了解上。换成其他模型，同样的角色分工是否有效？评估智能体的评分标准，迁移到不同技术栈时需要多少调整？
更长远的疑问是：当 AI 能组成三人小队，四人、五人的协作边界在哪里？规划师是否需要再拆出"架构师"和"项目经理"？评估师要不要分化出"安全审计"和"用户体验"两个专职？
Anthropic 没有给出答案。技术文档的结尾很克制，只提到"持续优化角色定义和交接协议"——换句话说，三班倒只是起点，不是终局。
如果这套框架开源，你会先用它做什么：是让三个 AI 轮班维护自己的遗留代码，还是赌一把，看它们能不能独立交付一个完整产品？
热门跟贴