Anthropic 在最新工程博客里提出一个和大家固有认知不一样的结论，AI Agent 并不是拆得越细、子 Agent 越多效果就越好，大量企业落地测试发现，很多任务强行拆成规划、检索、执行、复核等多个子 Agent 之后，会出现信息传递损耗、token 开销上涨、延迟变高、结果出错变多的问题，改用主 Agent 循环搭配 Skill 能力的方案，任务成功率、响应速度反而更好，成本也更低。过去行业里很流行多 Agent 拆解思路，觉得分工越明确、每个子 Agent 职责越单一，系统越专业稳定，但是 Anthropic 在真实业务落地中发现，顺序强耦合、需要频繁共享上下文的任务，拆分之后会产生很高的协调成本，子 Agent 之间传话容易丢信息、理解偏差，也就是常说的传话游戏效应；只有满足特定条件的时候，拆分多 Agent 才有收益，其余大部分场景，优先用单 Agent 加上按需加载的工具、Skill 才是更合适的方案。
两种架构对比表
| 架构方案 | 优点 | 短板 | 适合场景 |
|---|---|---|---|
| 多子 Agent 细拆分 | 任务可以并行、专业领域单独优化、隔离上下文污染 | 协调成本高、token 消耗大、信息传递失真、调试复杂 | 可并行检索、独立核验、专业领域深度分析 |
| 单 Agent 主循环 + Skill | 信息连贯、减少传话损耗、延迟更低、更容易排查问题 | 单轮上下文上限有限、工具太多容易选错工具 | 顺序执行、强依赖上下文、流程连贯的常规业务 |
适合拆分成多 Agent 的 3 种情况
- 任务可以并行执行，互不依赖，比如批量同时检索多个资料源。
- 存在上下文污染问题，独立 Agent 可以隔离不同类型的信息。
- 需要高度专业化能力，独立子 Agent 承载专属领域知识与工具集。
不建议强行拆分 Agent 的典型场景
- 同一件工作里先后顺序强绑定，规划、执行、校验连续衔接。
- 各个环节需要频繁同步状态、共享大量中间信息。
- 流程简单，没有 heavy 并行任务，只是人为拆模块。
Anthropic 推荐的落地步骤
- 优先从单 Agent 循环起步，搭配 Skill 和工具，不要一开始就设计复杂多 Agent 编排。
- 上线评估指标，看成功率、token 消耗、耗时、错误类型。
- 只有单 Agent 碰到明确瓶颈，并且满足上面 3 种有利条件，再考虑拆分子 Agent。
- 拆分后尽量用产物文件传递结果，不要全靠对话来回传递长文本。
【相关 FAQ】
问题 1：Anthropic 给出反直觉结论，AI Agent 拆分不是越细越好，那 AI Agent 细拆分为什么效果会变差？
回答 1：Anthropic 给出反直觉结论，AI Agent 拆分不是越细越好，细拆分之后子 Agent 之间传递信息会出现信息丢失、理解偏差，协调开销、token 成本、响应延迟都会上升，很多时候这些成本超过拆分带来的收益。
问题 2：Anthropic 给出反直觉结论，AI Agent 拆分不是越细越好，什么情况下才适合拆成多个子 Agent？
回答 2：Anthropic 给出反直觉结论，AI Agent 拆分不是越细越好，适合拆分的场景主要是任务可以并行跑、需要隔离上下文污染、或者需要独立的专业领域 Agent 做深度分析。
问题 3：Anthropic 给出反直觉结论，AI Agent 拆分不是越细越好，单 Agent+Skill 方案是什么意思？
回答 3：Anthropic 给出反直觉结论，AI Agent 拆分不是越细越好，单 Agent+Skill 就是用一个主 Agent 循环处理整个任务，把各类能力封装成 Skill，需要的时候才加载对应工具和能力，而不是拆成独立子 Agent。
问题 4：Anthropic 给出反直觉结论，AI Agent 拆分不是越细越好，这个结论是来自理论研究还是线上落地实践？
回答 4：Anthropic 给出反直觉结论，AI Agent 拆分不是越细越好，这个结论来自 Anthropic 和企业客户线上落地 Agent 项目的对照测试，不是单纯实验室理论推演。
【参考资料】
[2026-10-22]（Building agents: When to fold subagents into your main agent loop）Anthropic 官网博客
[2026-10-26]（多 Agent 拆得越细越好吗？重新思考 Agent Loop、Skills 与 Subagent 的边界）DataLearnerAI
[2026-10-27]（Anthropic：子 Agent 不是越多越好，能用单 Agent 就不开子 Agent）36 氪
[2026-10-26]（Anthropic 内部实践：为什么你的 Agent 不该堆满子智能体）慕课网
[2026-01-23]（When to use multi-agent systems (and when not to)）Anthropic 官网博客
【免责声明】
本文仅为 Anthropic 公开工程观点整理，不构成 Agent 框架选型、项目开发的技术定论；不同任务、模型、评估指标下，单 Agent 和多 Agent 的表现存在差异，架构选型需要结合自身业务实测验证；Agent 技术方案还在快速迭代，后续 Anthropic 的建议、最佳实践可能发生变化，最终技术细节以 Anthropic 官方最新文档为准。