单 Agent 还是多 Agent？Anthropic 与 DeepSeek 同题反答案——一次本机冒烟、三份账单与一张决策树

深度调研 · 2026-11-03 · 环境：两个头版来源全文实抓回验（The Decoder 019 + 爱范儿 096）+ 双仓 GitHub API 实核 + anthropics/single-agent-loop-kit 本机克隆并跑通官方免费冒烟（19 任务 0 错误，口径见第五节）· 仓库：anthropics/single-agent-loop-kit、deepseek-ai/deepseek-harness · 关联：《Orca 独立调研》、《产出趋零成本后，谁负责鉴别》、《DeepSeek Harness 调研》

写在前面

同一个问题，两家头部实验室给出了相反的答案，而且都开了源。Anthropic 在 10 月下旬发布 single-agent-loop-kit（迁移套件），主张 ” 单 Agent + 按需加载上下文 ” 在质量、成本、延迟上经常三赢多子 Agent 架构，某企业部署改单循环后 约快 2 倍 ；DeepSeek Harness 团队 11 月初发布《Super-agent 设计探索》，主张 Router+Worker 双层架构——” 用户面对同一个 AI 助手，背后多个 Agent 同时工作 ”，且已用于内部日常研发： 群里没人 @AI，它自行复现 Bug、直接提 GitHub PR。分歧的真实落点只有一句话：模型是否已经强到单线程吃下全部复杂度。而在这两派之外，第三个数据点已经在路上——据路透社（经爱范儿转述，单一来源）OpenAI 内部用约 1 万个无层级平权 Agent 协作 88 小时完成纳维—斯托克斯核心探索，交换 270 万条消息、消耗约 1300 亿 Token。单循环、双层调度、万级平权——三种架构都拿到了真实证据。本篇把两派拆开对齐、跑一遍官方套件的本机冒烟、把散在三个来源里的成本账单合并成一张表，最后给出决策树。

一、解决什么问题：一条注意力公式的两种解法

两派其实共享同一个前提。DeepSeek 的表述：“ 单任务上限取决于模型能力，多任务上限取决于人的注意力 ”——一个人通常只能同时跟进 3–5 个活跃 Session，AI 能干的越来越多，人类管理任务的注意力没涨。Anthropic 的表述：新模型（Opus 4.5 起，含 Opus 5.5 与 Fable 5.1）已能在单循环内直接管理复杂计划，很多过去必须靠编排器拆解的工作，模型现在自己就能做。

前提一致，处方相反：

• Anthropic 的诊断：多 Agent 架构是组织图的复印品——它给 Agent 领域的 ” 康威定律 ” 起了名：每个团队发布自己的子 Agent，堆到几百个互不通信为止；然后每个团队往系统提示词里加规则，直到互相矛盾（“Frankenprompt”）。handoff 每发生一次，上下文丢一次
• DeepSeek 的诊断 ：瓶颈不在多，而在 协调没有产品化——Session 这个单位本身就是大模型 API 设计习惯的遗留，应该下沉为系统内部细节；协调开销不该由人扛，交给 Router

于是问题变成了工程题：协调层省不掉，只能选择把它放在哪一层——塞进一个更强的单循环（Anthropic），还是独立成一层调度架构（DeepSeek），还是摊给一万个小工人（OpenAI 的答案）。

二、两派名片

星数口径提醒：两仓库体量差三个数量级（483 vs 27 万），但这不构成论据——kit 是迁移指南，harness 是完整框架；比体量该比的是各自宿主（Claude Code 生态 vs DeepSeek 生态）的采用面。

三、单 Agent 派拆解：测量优先，合并其次，折叠最后

kit 的 README 把方法论压缩成三步，顺序本身就是立场：① Measure——先找到你已有的评测，没有就一起建一个；② Combine——把总是一起跑的子 Agent 先合并；③ Fold——把剩下的子 Agent 逐个折叠成主 Agent 的 skill + 工具，每折一个就用同一份评测对比前后，数字说了算。” 套件不假设单循环永远赢，它测量 ”——这是整套主张里最值得学的一句话，它把架构选型从信仰问题变成了回归测试问题。

The Decoder 报道补足了 Anthropic 的完整论证链：

• 对照案例：某企业在客服 Agent 里塞了 12 个专用子 Agent，品牌体验割裂、高延迟；改单 Agent 后约快 2 倍（Anthropic 口径，Deployment 对照非公开基准）
• 上下文经济学：多 Agent 工作流里，功能编写→测试编写→代码评审每次 handoff 都丢上下文；单循环里同一个 Agent 既写功能又写测试，因为上下文本来就在
• 架构自证：Claude Code 面向新模型的系统提示词削减超 80%——部分原因正是 skills 和工具按需加载后，常驻指令不再需要
• 边界清单（子 Agent 仍然成立的三个场景）：单 Agent 上下文窗口出现可测量的性能退化时；多任务需要并行且各自独立上下文时；单 Agent 工具选择明显吃力时
• 反直觉警告 ：Anthropic 自己警告别盲目合并——某客服 Agent 测试中，把子 Agent 折叠进主循环确实降了延迟，但 破坏了原本正常的流程：主 Agent 开始自己作答而不去咨询该咨询的专家
• 工具数红线：模型工具选择在超过 30–50 个工具定义后倾向退化——折叠不是无限的，这给 ” 单循环能吃多大 ” 划了量化边界

四、Super-agent 派拆解：协调层的产品化

DeepSeek 把经典计算机系统思想打包进 Agent 架构，四个机制各有出处：

1. Router+Worker 双层 ——Router 是持续运行的全局协调节点（轻量模型即可胜任），Worker 各带独立上下文与工具（强模型干复杂活，可再调 Subagent）； 订阅机制 削掉二次分派：Worker 接手 PR 后，后续评论直达它，不再过 Router
2. Trigger + 两级过滤 + 投机执行——群聊消息、邮件、GitHub 评论、CI 结果都是触发事件；程序规则先粗筛，大模型再精判；不确定结果是否被采用就先在后台跑（” 静默复现并修复 ”：没人 @ 它，它复现 Bug、找修法、确认可行才提交 PR，否则全程安静）
3. 异步 ReAct Loop + 存算分离——超 5 秒的命令转后台，前台继续收消息；执行循环放云端、会话状态进数据库、代码和工具链留在本地设备，本地只跑一个轻量 daemon——电脑关机，任务等设备重连后继续
4. Watchdog——独立的监督 Agent，定期检查其他 Agent 是否有进展、是否死循环、是否偏离目标并尝试介入

DeepSeek 自己的实验数据（口径：合成消息流，单次约 300 条消息其中约 20 条是真工作请求，每组 5 次）：Super-agent 任务完成时间 p50 12.4 分钟 / p95 15.7 分钟；传统单 Session + Subagent 方案 p95 29.5 分钟。最有信息量的细节在对照组：中性提示词下，五次实验里模型一次都没调用 Subagent——所有任务在主会话里干，不断被新消息打断。这其实是给单 Agent 派递了一把刀：单循环的上限取决于提示词工程，而提示词工程不可靠。代价同样被量化：Super-agent 需维护多个独立会话，缓存读取 Token 高于单 Session——取消事件直通后 Router 决策增加约 30%，总缓存读取从 2323 万涨到 3177 万 Token（+37%）；事件速率从 1 条 / 分钟拉到 40 条 / 分钟，Router 靠批量处理把单次请求耗时从 2.5 秒压到 3.9 秒。作者自己声明：实验未评估真实编码质量。

五、本机实测：官方免费冒烟，19 任务 0 错误（口径如实）

本站惯例：能本机跑的不只转述。single-agent-loop-kit 的 RUNBOOK 提供了 无需 API key 的冒烟模式，本机（Linux 服务器，Python 3.12）执行：

git clone --depth 1 https://github.com/anthropics/single-agent-loop-kit
cd single-agent-loop-kit/examples/support-desk
KIT_MODEL=fake python3 evals/run_eval.py --variant smoke

实测输出：19 个任务全部跑完，0 个 harness 错误，”The plumbing works.”——support-desk 示例是带 Router 和六个子 Agent 的客服 Agent，每个子 Agent 有已知正确答案，配套 12 条评测任务与 trace 记录。口径边界如实声明 ：冒烟模式用离线替身模型（关键词规则），只验证评测管路可运行， 不产生任何质量分数；要看真分数需设 KIT_MODEL 为真实模型并花 API 费用。这一步验证的是 ” 迁移评测基础设施本身可装可跑 ”——对考虑跟随这套方法论的小团队，这是上手成本的第一道实测门槛，本机结论：十分钟的 RUNBOOK 承诺属实。

六、量化裁决：三份账单合并，协调成本只会搬家不会消失

散在三个来源里的成本数据，合并成一张表（口径逐条标注）：

这张表里藏着本篇最重要的工程结论：同一个 ” 评估 / 回传 ” 设计，放在有缓存复用的服务端是 2%，放在客户端无缓存红利处是 18%——协调成本的大小不取决于 ” 要不要协调 ”，而取决于协调发生在架构的哪一层、能不能吃到缓存与批量的红利。Anthropic 主张单 Agent 的经济性来源，正是把协调内化进一个循环；DeepSeek 愿意多付 37% 缓存买回的是 p95 从 29.5 到 15.7 分钟的调度确定性；OpenAI 的万级平权则证明绝对消耗可以到千亿 Token 量级——Agent 经济学必须同时报三个数：单次任务平均 Token、后台占比、单场峰值消耗，只报第一个会低估三到四个数量级。

七、风险与坑

1. 两派证据都非基准级——Anthropic 的 ” 约快 2 倍 ” 是企业部署对照（未公开评测集）；DeepSeek 的 p95 对比用合成消息流、未测真实编码质量。两边都自认了边界，引用时别升级成 ” 单 Agent 快一倍 ” 的普适结论
2. 盲合并有反例——Anthropic 自己警告：折叠子 Agent 可能破坏正常流程（主 Agent 越权自答）。kit 的三步法里 Measure 在最前，跳过评测直接合并等于赌
3. 工具数与 skill 数两条红线——工具定义超 30–50 个选择退化；折叠成的 skill 库同样会蔓延（kit 明确要求中央小团队管系统提示词与共享评测，领域团队只管自己的 skill）
4. Super-agent 的自治边界 ——无人 @AI 即行动 + 云端可触达本地设备，提示词注入或服务端入侵的攻击面同时变大；DeepSeek 自己列出长期记忆、安全隐私、人工介入设计三大未解挑战。这与 120（OpenAI Model Spec 的 ScopeOfAutonomy 字段化授权）是同一问题： 架构越自主，授权清单越要显式
5. 星数不可比——483⭐ 与 27 万⭐之间差的是仓库性质（迁移指南 vs 框架），不是质量排序
6. 单一来源项——OpenAI 万级平权的 1300 亿 Token 细节仅路透转述（本站未获原文），使用时注明

八、总结

调研结论：单 vs 多不是站队题，是坐标题——两轴分别是 ” 任务复杂度是否超出单循环上限 ” 与 ” 协调成本落在哪一层最便宜 ”。Anthropic 给了测量优先的迁移方法论（Measure→Combine→Fold，本机冒烟 19 任务 0 错误验证了其评测管路可跑）；DeepSeek 给了协调层产品化的完整设计（Router+Worker+Trigger+ 投机执行 +Watchdog，官方实测 p95 15.7 vs 29.5 分钟、代价 +37% 缓存）；OpenAI 的万级平权补上第三极。三种架构的真正分歧只在一句假设：模型是否已强到单线程吃下全部复杂度——Opus 4.5 代际的答案偏向 ” 是 ”，3–5 个 Session 的注意力现实则永远偏向 ” 需要某种协调 ”。决策树：默认单循环起步（成本最低、上下文最全）；出现可测量的上下文退化或真并行需求再拆子 Agent；协调复杂度产品化需求强（多平台事件流、无人值守）才上双层调度。

• 今天就能做：克隆 kit 跑免费冒烟（十分钟，零 API 费用），把 ” 子 Agent 状态摘要 ” 开关降频或关闭——115 的 18% 账单说明这是立竿见影的成本优化
• 选型前必做：先建共享评测再动架构——两派的分歧最终只能由你自己的评测裁决，这也是 kit 三步法的第一步
• 本站坐标 ：与 Orca 调研（多 Agent 并行的阵地产品）、DeepSeek Harness 调研（引擎本体）、 鉴别力篇 （无论几层，产出都要有人鉴别）构成 Agent 架构四篇；AI 评审七层解读 的 L2 多 Agent 投票验证属于 ” 子 Agent 仍成立 ” 清单的验证场景

下一观察点：kit 在真实模型下的评分模式实测（需 API 预算）；DeepSeek 实验升级到真实编码质量评估的版本；以及 OpenAI 万级平权协作是否有可复现的论文级披露。

参考与延伸

• 单 Agent 派：anthropics/single-agent-loop-kit · The Decoder 报道（10-25） · Anthropic 原文：When to fold subagents into your main agent loop
• Super-agent 派：deepseek-ai/deepseek-harness · 爱范儿：《Super-agent 设计探索》全文编译（11-01） · 本站《DeepSeek Harness 调研》（WP 514）
• 成本账单：多子 Agent 的隐形账单（InfoQ，115） · Anthropic 安全博客自评估机制（爱范儿，076）
• 本站关联：Orca 独立调研（564） · 产出趋零成本后，谁负责鉴别（568） · AI 评审七层架构解读（540）

by 飞熊 · yunying（增长运营官）· 两个头版来源 2026-11-03 当日全文回验；双仓 GitHub API 同日实核；本机冒烟为 KIT_MODEL=fake 离线模式（仅验证管路，无质量分数），口径已在第五节如实声明；OpenAI 万级平权数据为单一来源已标注