# Anthropic 智能体架构 合并子智能体：系统精简实操指南

> Anthropic智能体架构合并子智能体指南指出，盲目堆砌多智能体不仅增加延迟还会丢失细节；把子智能体折叠为带技能的单主循环，能让系统运行速度大幅提升。

来源：https://www.starbox.work/insights/ai-news/2026-10-25-anthropic-agent-fold-subagents/（星盒AI 知识中心，更新于 2026-10-25）

2026 年 10 月 22 日，Anthropic Applied AI 团队发布了一份关于企业智能体构建的重磅指南。这份关于 **Anthropic 智能体架构 合并子智能体** 的指南明确指出：不少企业把业务组织架构照搬成了多智能体架构，导致系统极度臃肿。他们在多家企业实测中发现，把路由器、规划器和各类领域子智能体折叠进单个主循环，配合渐进式披露技能，整体表现反而比多智能体编排更好，任务耗时显著缩短。

很多市场负责人和企业技术团队以为智能体越多越智能，做个客服都要拆出意图识别、路由分发、多轮推荐等五六个子 [Agent](/glossary/agent/)。这种堆砌正在拖垮企业系统的响应速度。

## Anthropic 智能体架构：为什么必须考虑合并子智能体？

多智能体系统之所以变慢，本质上是信息在不同[上下文窗口](/glossary/context-window/)之间搬运时出现了损耗。

一家做工业零部件出海的企业负责人曾向我抱怨，他们搭建的海外客户答疑 Agent 每次回答都要转圈五六秒。排查后发现，用户进来的第一句话，先被意图分类子智能体处理，再丢给检索子智能体，接着交给行业术语修正子智能体，最后才由主编排器汇总。

每个子智能体都有独立的上下文和提示词，互相传递信息就像玩「传话游戏」。Anthropic 在指南中指出了这种架构的典型代价：

1. **上下文丢失**：各个子智能体只拿到上一级修剪后的摘要，丢失了原始对话的细节与语境。
2. **提示词打架**：各个业务团队往系统里塞规则，拼凑成一个混乱的大提示词（Frankenprompt），导致输出风格四分五裂。
3. **延迟与成本翻倍**：每次子智能体调用都是一次完整的模型推理与网络往返。Anthropic 的客户案例显示，将多智能体架构重构为单个主循环后，任务运行时间得到明显改善。

随着模型能力提升，像 Opus 4.5、Opus 5.5 这类模型自带自主规划与反思能力，过去靠外挂多个子智能体来做流程控制的做法，很多已经不再必要。

## 智能体Skills模式：把上下文握在同一个主循环里

Anthropic 提出的替代方案，是用「带技能的单智能体循环」取代复杂的编排网络。

这种做法的核心机制是渐进式披露：主 Agent 在开始时只加载工具和技能的简要描述，不把成堆的业务规则一次性塞进初始提示词。模型根据任务推进，在需要某项能力时，再去动态读取对应的技能定义。

在这种模式下，整个任务都在同一个上下文窗口中运行。模型自己在首轮交互中列出计划，工具返回数据后，模型看着原始结果当场调整下一步，而不是等待编排器层层转译。Anthropic 团队在开发 Claude Code 时，就通过技能与工具的渐进式披露，将初始[系统提示词](/glossary/system-prompt/)精简了超过 80%。

少建一个子智能体，就少了一次上下文割裂，企业得到的回复也更具连贯性。

## 多智能体架构优化清单：3 个合并信号与 2 个保留边界

并不是所有子智能体都要立刻砍掉。Anthropic 指出，独立子智能体在验证、并行隔离和黑盒权限隔离上依然有价值。

为了帮企业理清改造优先级，我根据 Anthropic 官方指南整理了一份架构自查清单。对照这 5 个关键指标，团队能一眼看懂哪些组件该收敛，哪些该保留：

| 评估维度 | 诊断现象 | 架构建议 | 改造动作 |
| :--- | :--- | :--- | :--- |
| **合并信号 1** | 子智能体之间高频互相传话，最终回复常常丢失原始对话细节 | 折叠进主循环 | 取消中间 Agent，将领域规则转为主循环可调用的 Skills |
| **合并信号 2** | 单纯为了按业务部门分工（如退货、开票）设立了大量独立路由子 Agent | 折叠进主循环 | 收回中央团队统一维护主提示词，用轻量数据工具替代路由 |
| **合并信号 3** | 用户交互延迟居高不下，调用链路中存在超过 3 次串行模型推理 | 折叠进主循环 | 合并为单循环多工具调用，利用 harness 并行执行工具取回数据 |
| **保留边界 1** | 主智能体上下文窗口因长线数据暴涨出现明显的性能退化 | 保留子智能体 | 剥离出独立子 Agent 处理海量数据，仅向主循环返回精炼结论 |
| **保留边界 2** | 需要同时发起多路互不依赖的探索任务（如多来源独立调研） | 保留子智能体 | 保留多智能体并行模式，任务结束后立即销毁独立上下文 |

## 从星盒的实践看：精简链路才能让业务跑得动

星盒AI 在服务 500+ 家企业的过程中，也经历过类似的认知迭代。

平台部署了 300+ 组实战智能体，过去我们发现，很多企业在做内容生成时，总想让一个 Agent 负责写标题、一个 Agent 负责改错别字、另一个负责配图。这样层层嵌套下来，一次生成要等两分多钟，前线业务员根本没有耐心等待。

后来在「新媒体内容工厂」的落地中，我们将写作逻辑重构为基于品牌知识库和选题库的垂直写稿智能体，把九个维度的表达规则收敛到稳定的技能定义中。单条内容创作时间直接缩短到 5–10 分钟，团队人力成本降低约 90%，单人日产出达到 50–100 条。

工具链越短，信息流转越不容易变形。把控制权放回给模型本身，只在关键卡点设好工具拦截，往往是性价比最高的技术路线。

## 结语

软件工程领域有一条规律：组织架构是什么样，系统架构往往就会长成什么样。

当业务团队各自为战时，系统就会生造出一堆互相踢皮球的子智能体。Anthropic 这次给出的指南是在提醒所有人：当基础大模型变得更聪明，过去靠拼凑多智能体来弥补模型不足的过渡方案，已经到了该精简的时候。