2025 年 6 月：两家给出相反的做法
证据有轻重；是否拆给子 agent，取决于预算与任务能否独立拆分。
这一页为什么在这里
揭示 2025 年 6 月的一场真实争论：前后一天，Anthropic 说分、Cognition 说别分。这一页不判谁对，而是练三个判断：同预算了吗；证据有轻重；任务结构决定答案。右下角出口接第 12 讲。
上屏
- 第 1 步：两栏。左「分：Anthropic，2025-06-13」：主 agent Claude Opus 4，子 agent Claude Sonnet 4｜内部研究评测：比单个 Opus 4 高 90.2%｜代价：约 15 倍于聊天的 token｜他们也写：要共享同一上下文、彼此依赖多的任务不适合。右「别分：Cognition，2025-06-12」：子 agent 看不到彼此的完整过程｜每个行动都带着隐含的决定，决定冲突就出错（例：做 Flappy Bird，一个子 agent 做出马里奥风格的背景，另一个的鸟不像游戏素材）｜主张：单线程的 agent，再用一个模型专门压缩历史。
- 第 2 步：下方一条（2025-07-14，Chroma）：18 个模型，任务不变、只加无关材料，输入越长越不可靠。三行判断：① 同预算了吗？BrowseComp 上，token 用量一项就解释了 80% 的差异（回到 Q16）② 证据有轻重：不公开的内部评测｜论证加一个例子｜受控实验 ③ 任务结构决定答案：能拆开的广度搜索适合分；环环相扣的写程序适合一个 agent。右下角出口：→ 第 12 讲｜分工的收益，协调的成本。
讲
第 1 步 · 教师可说的话
两家的相反答案
2025 年 6 月，前后一天，两家给出了相反的答案。Anthropic 说分：主 agent 加几个子 agent，在他们内部的研究评测上比单个 agent 高 90%；花的 token 也多得多，约 15 倍。Cognition 说别分：子 agent 看不到彼此的完整过程，各自做的隐含决定会打架，他们举的例子是做 Flappy Bird，一个子 agent 做出了马里奥风格的背景。
指图与比较
左栏Anthropic的模型组合、质量和成本；右栏Cognition的隐含决定冲突。
第 2 步 · 教师可说的话
按预算与证据判断
谁对？先问前面问过的那句：同预算了吗？Anthropic 自己说，在 BrowseComp 这个测试上，token 用量一项就解释了八成的差异，那功劳是“分”，还是“多花”？再看证据的分量：一个是不公开的内部评测，一个是论证加一个例子；一个月后 Chroma 做了受控实验，任务不变、只加无关材料，18 个模型输入越长越不可靠，这支持“每个 agent 只放需要的”。最后看任务：能拆开、各读各的，分；环环相扣，别分。
指图与比较
Chroma受控实验与三条判断。
本页衔接
用这个判断反看本课程自身怎样交接上下文。
连续教师稿原文
2025 年 6 月，前后一天，两家给出了相反的答案。Anthropic 说分：主 agent 加几个子 agent，在他们内部的研究评测上比单个 agent 高 90%；花的 token 也多得多，约 15 倍。Cognition 说别分：子 agent 看不到彼此的完整过程，各自做的隐含决定会打架，他们举的例子是做 Flappy Bird，一个子 agent 做出了马里奥风格的背景。
谁对？先问前面问过的那句：同预算了吗？Anthropic 自己说，在 BrowseComp 这个测试上，token 用量一项就解释了八成的差异，那功劳是“分”，还是“多花”？再看证据的分量：一个是不公开的内部评测，一个是论证加一个例子；一个月后 Chroma 做了受控实验，任务不变、只加无关材料，18 个模型输入越长越不可靠，这支持“每个 agent 只放需要的”。最后看任务：能拆开、各读各的，分；环环相扣，别分。
讲授出口
→ 第 12 讲｜分工的收益，协调的成本。可以展开：两家之争就是第 12 讲的题目。多个 agent 分工能并行、各自的上下文干净，但协调要付成本；写程序这类环环相扣的任务为什么难分。
完整推理
Anthropic（2025-06-13）。 他们的研究功能用一个主 agent（Claude Opus 4）拆题，派多个子 agent（Claude Sonnet 4）并行搜索、各自交回结论。在内部的研究评测上，比单个 Opus 4 高 90.2%。代价：多 agent 系统用的 token 约为聊天的 15 倍。他们分析 BrowseComp 上的表现差异时发现，三个因素解释了 95% 的差异，其中 token 用量一项就解释了 80%。他们也写明，要求所有 agent 共享同一上下文、彼此依赖多的领域目前不适合这种做法；多数写代码的任务，能并行的部分比研究少。
Cognition（Walden Yan，2025-06-12）。 两条原则：共享上下文，而且要共享完整的过程，不只是消息；行动带着隐含的决定，决定冲突就会带来坏结果。例子：让子 agent 分头做 Flappy Bird，一个做出了马里奥风格的背景，另一个做的鸟不像游戏素材，合起来不协调。主张：单线程、线性的 agent；历史太长时，用一个专门的模型压缩历史。
Chroma（2025-07-14）。 受控实验：18 个模型，保持任务（针和问题）不变，只增加无关内容，输入越长越不可靠；模型并不均匀地使用它的上下文。这支持“每个 agent 只放需要的”这一侧，但它本身不是多 agent 的对照实验。
三个判断。
- 同预算了吗？如果 token 用量就解释了八成差异，功劳是“分”，还是“多花”？要和同样预算的单 agent 比。
- 证据有轻重：一份不公开的内部评测、一篇论证加一个例子、一个受控实验，分量不同；前两份都是公司的工程文章。
- 任务结构决定答案：能拆开、各读各的广度搜索，适合分；环环相扣、每一步依赖前一步决定的任务（如写程序），适合一个 agent，或共享完整过程。
学生可能的回答与误区
- 第 1 步｜“90.2% 说明多 agent 更好。”先问：和谁比、花了多少 token、评测公开吗？
- 第 2 步｜把内部评测、论证加例子、受控实验当作同等强度的证据。
- 第 2 步｜“token 用量解释了 80% 的差异，所以分没用。”解释比例不等于因果贡献；它说明要做同预算的对照，才能分开“分”和“多花”。
- 第 2 步｜要给单 agent 和多 agent 排一个永久名次。答案随任务结构和预算变。
教学构造与出处
- 教学构造：两栏对照与三行判断的组织是课件做的。
- Anthropic · How we built our multi-agent research system：2025-06-13；主 Opus 4／子 Sonnet 4、内部研究评测 +90.2%、BrowseComp 上三个因素解释 95%（token 用量 80%）、约 15 倍聊天的 token、依赖密集的任务不适合。公司工程文章，评测不公开。
- Cognition · Walden Yan，Don’t Build Multi-Agents：2025-06-12；共享完整轨迹、隐含决定冲突、Flappy Bird 例子、单线程加专门压缩历史。论证加一个例子。
- Chroma · Context Rot：2025-07-14；18 个模型，固定 needle 与问题、只改变无关内容，输入越长越不可靠。受控实验。