智能体集群正确率达71%：隔离上下文，用代码合并结果

如何拆分和汇总工作，可能与选用哪款AI模型同样重要。开发桌面编程应用EvoX Agent的EvoMap用563道编程和逻辑题做了一项基准测试：单个AI智能体独自解题时，正确率为26%；而在智能体集群模式下，多个智能体各自承担一份相互隔离的工作，最后再汇总结果，在使用相同底层模型的情况下，正确率达到71%。模型的权重和参数没有任何改动，改变的只是任务的分配方式，以及上下文（模型一次读取的对话和资料）的管理方式。

单个智能体为何难以应对多项任务

让一个智能体连续处理多项任务时，它的对话历史会不断增长。到第四项任务时，它仍然背负着第一到第三项任务的全部内容。这些冗余信息会挤掉真正重要的细节，导致智能体遗漏信息或凭空编造内容。这种上下文污染，正是单个智能体在任务量增大时准确率下降的主要原因。

常见的解决办法是由一个主管智能体把工作分派给子智能体（各自负责一项子任务的辅助智能体），再对它们的结果进行总结。但在同一项基准测试中，子智能体共找到373个正确答案，经语言模型总结合并后只剩下217个，折合正确率为39%。总结本质上是压缩信息，正确答案似乎就在压缩中丢失了。

集群保持准确率的两项设计

EvoX Agent的集群模式基于两个思路。第一，每项子任务都在各自干净的上下文中运行，每个智能体只看到完成自己那部分工作所需的信息。第二，结果由确定性代码合并，即对相同输入总是产生相同输出的代码，而不是由语言模型撰写总结。这样，正确答案不会在合并过程中因改写而丢失。

如果要自行设计多智能体架构，在把汇总工作交给模型之前，不妨先尝试基于代码的合并。需要注意的是，上述正确率来自EvoMap自己的基准测试，因此最好验证一下自己的工作负载是否也会出现类似差距。

▲ 堆积的上下文与拆分的任务

在真实应用上比较集群与顺序执行

为了检验日常开发中的差异，测试同时给一款印尼语单词闪卡网页应用分配了四项工作：

• 用node:test编写单元测试
• 用tsc进行代码规范检查和类型检查
• 在docs/API.md中编写文档
• 按WCAG 2.2 AA标准审查无障碍性

开启集群模式后，EvoX Agent先拟定了一份协调计划，其中设定了文件归属规则，规定哪个智能体可以修改哪些文件，以免并行工作的智能体产生相互冲突的修改。计划获批后，四个智能体同时开工，共修改了7个文件，用时约7至8分钟。

随后，同一个项目被复制一份，在关闭集群模式的情况下按顺序逐项执行相同的工作。

token是AI模型处理文本的单位，用量越大，通常意味着成本越高、响应越慢。顺序执行会把每项已完成任务的历史带入下一项任务，因此提示词（发送给模型的指令和上下文）不断膨胀，推理速度随之变慢。

100个智能体，一场生存游戏

在一项规模更大的实验中，集群被扩展到100个并行工作单元。实验场景是一款名为Arena的生存游戏：100个物种生活在一张二维网格上，可以进食、移动、繁殖和攻击。一条提示词被拆分为100项任务，每个智能体在自己专属的上下文中，用JavaScript为一个物种编写行为代码，完全看不到其他智能体的代码或策略。全部100个物种脚本的生成和验证用时约20分钟，若逐个完成，可能需要数小时。

第二代的做法是：提炼表现最好的存活物种的行为原则，反馈给AI，让它设计出避免战斗的改进觅食策略。以上一轮优胜者的规则培育新一轮输出，再结合大规模并行生成，看来是迭代优化复杂模拟和优化问题的一种高效方法。

▲ 100个智能体打造的生存游戏

自我进化：复用已经奏效的做法

EvoX Agent还内置自我进化系统，能把成功的工作转化为可复用的能力。整个过程分为五个阶段：Observe记录请求和终端操作，Discover提取新的信号，Reuse or Improve判断是否改进现有能力，Validate为运行结果打分，Solidify把经过验证的流程保存下来供日后使用。

• 基因（gene）是小型的确定性流程，例如执行某种特定的SQL查询模式，或读取项目的数据库结构。
• 胶囊（capsule）是某项任务从头到尾的完整解决方案，与性能指标、置信度分数、成本、token用量以及可重放的执行路径一并保存。
• Events日志是不可篡改的记录，涵盖智能体做出的每一次修改、修复和新增能力。

EvoMap声称，系统学会代码仓库或对话历史中的常见模式后，通过复用已知方案而不是重新推导，可将token用量减少约31%。这一数字当场无法完全验证，但学习循环本身在测试中运行顺畅。由于涉及基因、胶囊、变异等术语，这套系统起初可能让人感觉不太好理解。

上手设置

EvoX Agent是一款面向macOS和Windows的桌面应用，基础功能与Codex、Claude Code等编程智能体相当：为代码库建立索引、编写代码、执行命令以及修复未通过的测试。新账户可获得1500个免费试用积分，价值约$15。设置过程中，可以从Claude Code和Codex导入会话、记忆和设置。

以下几项设置值得留意：

• 自动切换模型会按难度分配任务，把经济型任务交给DeepSeek V4 Flash等较便宜的模型，把均衡型工作交给GPT-5.6 Terra或Kimi K3等模型。
• 模型连接支持OpenAI、Anthropic和Gemini的API，以及Ollama、LM Studio等本地模型服务器。连接在英伟达DGX Spark上运行的本地模型，即可省去云端算力费用。
• 审批模式可在Confirm steps（每一步都先询问）、Smart（只在高风险操作前询问）和Full auto之间选择。Full auto最好只用于可信项目，以及不会删除或覆盖任何内容的工作。
• Connections允许通过Slack、Discord、Telegram、WhatsApp、Microsoft Teams等即时通讯应用向智能体发送指令，还可以扫描二维码绑定手机，离开电脑时也能查看任务进展。

把工作分给多个智能体之前要确认什么

把大量任务堆给一个智能体，累积的上下文会同时拖累准确率和速度。集群为每项任务提供干净的上下文，并用代码合并结果，从而缓解这一问题。无论使用哪种工具，在把工作分给多个智能体时，都值得采用以下做法：

1. 对于涉及多个文件或多个关注点的提示词，先确认能否拆分成相互独立的任务。
2. 在指令中明确文件归属，确保并行的智能体不会编辑同一个文件。
3. 合并结果时，优先使用基于代码的合并，而不是由模型撰写的总结。
4. 某次输出效果好时，提炼其中的原则，并纳入下一轮生成。
5. 全自动执行只用于可以撤销的工作，敏感操作保留逐步审批。
6. 在依赖厂商公布的准确率和token节省数据之前，先用自己的一小部分工作进行测试。