“一人即团队”——一句话驱动智能体团队

9月9日WAVE SUMMIT大会现场,文心快码全新升级到了3.5S版本,强化多智能体自协同能力,实现"一人即团队"开发新模式。

01浅析多智能体协同

首先,智能体能力更强,能懂业务,会分解任务列表,执行更准;其次,从单智能体到多智能体协同,动态生成多个智能体,自主协同一起解决复杂任务;最后,团队协作更强,基于 Rules 与 MCP 构建统一的经验库和外部工具,实现团队知识传承和外部开放性建设。

很多朋友之前接触 AI工具时,可能更多是一个智能体帮你写代码、调试一个问题,属于"单兵作战"。

而现在,新的趋势是:让多个智能体协作,就像一个小团队一样,把更复杂的任务完成。

就像我们平时做一个项目,需要产品经理、开发、测试、运营一起配合。AI世界里也可以这样⬇️⬇️

1.不同的智能体各司其职,有的负责规划,有的写代码,有的调试,有的做体验优化。------生成效果更好

2.子Agent使用独立的上下文窗口,且独立执行,不会干扰主会话上下文。------突破上下文限制

文心快码的Subagents是一种多智能体自协同引擎。通过主Agent对任务进行拆解,多个子Agent协作处理规模更小、目标更聚焦的子任务,从而让复杂问题的解决更高效、更有条理。

02多智能体协同的应用场景

在代码助手场景下,多智能体协同能够让不同智能体各司其职、相互配合 ,比如一个智能体专注于代码生成,一个负责代码审查与风格优化,一个负责测试与调试,还有的进行安全检测与性能优化。它们通过分工合作和互相校验,不仅能提升代码质量与开发效率,还能减少遗漏和错误,形成从需求拆解、代码实现到测试优化的完整闭环,从而更好地帮助开发者解决实际问题。另外子智能体核心解决的问题是上下文窗口不够,子智能体的层级隔离策略让他的上下文可以完全独立于主Agent,使主Agent的上下文一方面减少冗余信息,另一方面减少污染,避免幻觉。

我们实现的架构是这样的:系统级智能体 专门用于调度其他智能体,统筹智能体之间的信息传递。开发者按需定义属于个人工作习惯的个人级智能体 ,通过自然语言Workflow。其他能调用到的工具还包括,项目级MCP,开发者根据所开发的项目进行MCP的定义,如后端项目需要链接Mysql、前端需要链接Figma,并注册到子智能体中。Rules,项目级,开发者根据所开发的项目整理Rules。那么这整套的架构,就保证了我们复杂任务的高效完成。

对于开发者来说,文心快码Subagents应用在如下场景有显著效果:

垂类场景效果有优化:如代码评审、生成文档等可自定义符合团队规范的 Agent,通过委派最合适的子Agent 执行,从而获得更佳效果。

适合复杂工作流编排:从需求拆解到开发、测试、文档生成,形成完整流水线。

大规模任务执行:代码库规模庞大、跨多个文件或模块协同修改需求。

文心快码Subagents能力除了使用内置的多个官方Agent进行协同 ,也支持使用自定义智能体。

自定义智能体功能允许你根据自身需求,创建并配置专属的智能体。它可以具备特定角色、技能和行为逻辑,帮助你在不同工作场景下高效完成任务。

自定义智能体最显著的优势在于:

  • 可定制性: 用户自由组合行为规则与可调用工具,实现灵活配置
  • 垂类效果提升: 针对特定业务需求优化表现,效果远优于通用模式

自定义智能体适用于如下场景:

  • 只需要执行特定工具的专属行为模式;
  • 需要高度控制与编排能力的复杂工作场景;
  • 企业或个人的领域知识服务场景。

03看几个有趣的小例子!

Case1:0-1生成包含20个游戏的游戏平台

之前我们常见的Agent能力,更多是帮我们生成一个简单的小游戏,比如贪吃蛇、马里奥游戏。

但我们今天想生成一个游戏平台 ,让我们看看通过Subagents多智能体协同,如何让这件事变得更高效、更准确。

Prompt: 生成一个小游戏平台。需要包含游戏大厅、游戏入口,点击后进入二级菜单运行游戏,也可以单个游戏返回游戏大厅。游戏包括:

1.2048

2.flappy bird

3.扫雷

使用纯HTML实现,全部生成完成后统一验证。 👉点击查看视频

Case2:已有项目使用多智能体协同进行解读

在这个已有项目的分析解读环节,期望模型能够从多个角度来拆解项目,最后整理成一份 README,作为程序员大家都有体验,遇到一个新接手的项目,没有任何历史资料的情况下,我们很难对项目很好的理解和下手开发。希望通过多智能体协作的方式,帮助从多个角度解读项目,分模块告诉我有哪些部分,并且交给另一个擅长编写文件的智能体生成一份README,这样让大家不仅能快速理解项目的整体目标和技术栈,还能清晰知道每个模块的职责、关键文件和启动方式,从而在新接触一个已有项目的场景中更直观地掌握项目全貌。

Prompt: 帮我从多个角度解读这个项目,分模块的告诉我有哪些部分,生成一份README 👉点击查看视频

Case3:为电商平台做国际化升级,AI Coding辅助开发者快速实现页面翻译

随着品质国货在海外市场受到广泛认可,为国货出海创造不少新机遇

1.自定义智能体:翻译专家

你是一个翻译前端页面的专家,当前项目中的界面展示语言是中文,我希望整个页面能够被只会英文的用户使用。

修改文件过程请保持小块的修改,避免由于一次改动太大超过输入输出窗口,导致失败。

1.配置Subagent:勾选翻译专家

2.输入Prompt:使用翻译专家Agent,翻译页面上的内容到英文。 👉点击查看视频

04直播Q&A精选

Q1:多智能协同和传统单体AI最主要的区别和优势是什么?

A1:

  • 单体AI更像是一个"万能助手",什么都能做一点,但在复杂任务中容易"力不从心";而多智能体就像是一个"小团队",每个智能体有明确分工,可以互相协作。
  • 优势:

1.效率更高: 不同Agent并行工作,整体速度更快。

2.质量更好:专门的测试/优化Agent可以减少bug、提高产出质量。

3.可扩展性:能把一个大任务拆解成子任务,组合出更复杂、更完整的系统。

Q2:未来多智能体协同技术最令人兴奋的发展方向是什么?

A2:

1.智能体团队化:一个人就能"带"一支虚拟团队,从产品到开发到测试都能自动化完成。

2.跨领域协作:不仅限于写代码,还能在设计、运营、教育、科研等领域发挥作用。

3.自组织系统:未来的智能体不只是被动执行,还能主动发现问题、提出改进建议,甚至形成"虚拟公司"的雏形。

4.人与智能体共创:人类更像"导演",智能体们是"演员",这种模式会极大提升创造力和生产力。

Q3:作为一名开发者,该如何触发和使用多智能体协同功能?是需要复杂的配置,还是可以自然语言交互?

A3:并不需要自己去设计复杂的多智能体架构。一般来说,多智能体协同功能会被封装在代码助手或IDE插件的内部逻辑里,只需要通过自然语言交互触发即可。比如:

  • 直接提出一个复杂需求("帮我实现登录功能,并生成测试用例"),系统会自动拆解任务并分配给不同的智能体协作完成。
  • 也可以通过简单指令来指定角色("生成代码""检查安全问题""写测试"),由不同智能体分工处理。
  • 如果需要更细的控制,平台可能提供轻量级配置(如启用/关闭某类智能体,调整优先级)。

换句话说:默认情况下只需自然语言就能使用协同效果;如果你想定制工作流,通常会有简单的配置功能可供调整。如果再想调用更多能力,比如定制自己的MCP或者某些场景的rules,可能才需要部分开发和调试工作。

Q4:在Comate的多智能体系统中,通常包含哪些角色,他们是如何分工的?

A4:

Architect 智能体

特点:不直接调用Tools,仅能调用其他 Agent。擅长在多个Agent 之间进行编排和分工,设计合理的执行顺序与依赖关系。通过高层次调度,让各个 Agent 协同完成复杂任务,确保整体产出符合架构与质量要求。

适用场景:跨多个 Agent 的复杂需求,如 端到端项目交付、涉及规划+编码+测试的综合任务,或需要统一把控规范与质量的场景。

Deep Read 智能体

特点:仅调用文件读取与目录分析工具,不会修改本地代码。能够深入解析项目逻辑、依赖与规范,快速提取核心信息并生成总结或解读报告。

适用场景:接手陌生项目、阅读复杂代码库、理解第三方库或遗留系统,以及需要快速建立上下文认知的场景。

Actor 智能体

特点:不与用户进行过多需求澄清,聚焦在编码实现,通过直接通过修改文件、调用终端,模拟开发者执行具体任务。

适用场景:需求清晰、任务明确的小型编码或执行任务。

Zulu智能体

特点:启用所有内置Tools和当前项目安装的 MCP工具,擅长自主探索用户需求、完成多文件编辑、端到端完成任务。

适用场景:代码结构复杂、文件改动量大的需求。

Plan智能体

特点:擅长分析复杂需求,与用户协同澄清并完善需求,并将拆解步骤输出到 plan.md 文件中。通过提前梳理需求,确保后续生成的代码更贴合预期,提升整体效率。

适用场景:重构或需要完整规划的复杂需求。

UT智能体

特点:识别代码结构和单测框架,自动生成符合项目风格的单测代码,同步提供覆盖率报告。帮助发现潜在 bug,提高代码质量。

适用场景:逻辑边界复杂、质量要求高的开发任务。

Figma2Code智能体

特点:智能识别 Figma元素,高保真还原设计稿,自动生成可运行的前端代码。大幅缩短设计到开发的周期。

适用场景:基于 Figma 设计稿的前端开发需求。

Q5:对于初学者来说,使用文心快码多智能体协同功能,是会更轻松地学会编程,还是会产生依赖?

A5:这是个很好的问题,如下:

  • 更轻松地学习:多智能体协同能帮初学者完成环境搭建、代码生成、自动调试,这样他们能更快看到成果,减少挫败感,带来"正反馈",从而提高学习动力。
  • 潜在依赖风险:如果完全依赖智能体生成代码,而不去理解原理,可能会出现"能写不能改、能跑不能解释"的情况。

所以更推荐的方式是,对于初学者:

1.把智能体当作"助教",用它来讲解代码思路、拆解任务。

2.先尝试自己写,再让智能体帮忙检查和优化。

3.关注学习过程,而不仅仅是结果。

作者: 文心快码资深工程师,文心快码产品经理

相关推荐
deli0078 小时前
32K 上下文塞满后,AI 最先忘掉什么?120 轮对话实测
前端
deli0079 小时前
手机拍灯为什么有一条条黑纹?PWM 240Hz 实测
前端
深蓝AI9 小时前
12000 名工程师的高盛,只用四个月就收回了交易员的 AI 编程权限
人工智能·程序员
wangruofeng13 小时前
AI Models 1.1.0 发布,查大模型价格、对比模型和找 API 地址
前端·aigc·ai编程
脚本自动化开发13 小时前
玩影之刃零,两张四千元级显卡怎么挑
后端
wangruofeng13 小时前
给前端开发者的 100 个设计参考网站
前端·设计
深蓝AI16 小时前
为什么 agent 的 demo 都很惊艳,上了生产就不靠谱
人工智能·程序员
星栈16 小时前
视频即代码,Remotion 能做什么、不能做什么
前端·音视频开发
广州华水科技17 小时前
单北斗GNSS位移监测系统的应用与技术解析
前端
深蓝AI17 小时前
一个项目五个 AI 同时干活,Claude Code 怎么让它们不互相打架
人工智能·程序员