先说清把握程度

这是本文里把握最低的一个判断。我们把它写出来, 是因为它影响我们的技术选择, 而读者有权知道我们的选择基于什么。

立场: 在当前的可归因水平下, 增加 Agent 数量带来的复杂度增长快于能力增长。

保留的理由

一、失败模式的组合爆炸。 单个 Agent 的失败模式已经不少: 输入缺失被补全、推理跳步、输出结构不符。多个 Agent 串联后, 上游的一个"合理的填充"会被下游当作事实接受, 而下游的产出看起来完全正常。★ 错误在传递中被洗白, 这是我们最担心的一点。

二、归因成本随链条长度非线性上升。 五步链条出错时, 要定位是哪一步, 需要每一步都有可读的中间产物。多数编排框架默认不保留这些, 而补上它们的成本往往超过编排本身。

三、演示与生产的差距被放大。 多 Agent 系统在演示里特别好看, 因为演示任务的输入是干净的。生产环境的输入不干净, 而每多一个环节就多一次"遇到意外情况自行发挥"的机会。

我们目前的做法

在期货资讯认知 Agent 里, 我们把处理拆成六层, 但层与层之间是显式的数据契约, 不是 Agent 之间的自由对话。每一层的输出结构固定、可校验、可单独评测。

这在形式上不算"多 Agent 编排", 更接近有留痕的流水线。我们认为在需要承担后果的场景里, 这个形态目前更划算。

★ 这个判断可能错在哪里

诚实地列出来:

• 我们见到的案例有限, 且集中在信息处理与知识检索场景。在别的任务形态下, 编排的收益可能显著更高。
• 可归因的成本可能正在快速下降。如果留痕与回放变成框架的默认能力, 我们的第二条理由会失效。
• 我们可能把"当前工具不成熟"误当成了"这个方向不成立"。这是技术判断里最常见的错误类型, 我们不认为自己免疫。

★ 什么会改变我们的判断

出现多 Agent 系统在可归因性上给出令人信服的实证——不是任务成功率的提升, 而是失败可以被稳定定位到具体环节。若如此, 我们会撤回这条保留。