在人工智能领域，我们见证了AI能力的持续扩展，这主要得益于训练数据的增加、训练时计算的提升以及测试时计算的优化。如今，一种新的技术方向正在兴起——并行智能体（Parallel agents），它为AI系统的扩展和性能提升开辟了新的路径。
并行智能体的兴起
并行智能体是指让多个AI代理同时运行，以加速处理过程并提高输出质量。这一概念源于我们对AI扩展规律的深入理解。百度前团队和OpenAI的研究表明，AI模型的性能随着数据和训练计算量的增加而可预测地提升。然而，传统的推理模型通常按顺序生成标记，导致处理时间较长；大多数代理工作流最初也是以顺序方式实现的。
随着大语言模型每标记成本的持续下降，这些技术变得更加实用，产品团队也希望更快地向用户提供结果，因此越来越多的代理工作流正在被并行化。这种方法能够在不显著增加用户等待时间的情况下，大幅提升AI系统的处理能力。
并行智能体的应用场景
并行智能体已经在多个领域展现出其价值：
研究智能体的并行处理
许多研究智能体现在能够同时获取多个网页并并行检查其内容，从而更快地合成深度思考的研究报告。这种方法显著提高了信息处理效率，使研究人员能够在更短时间内完成复杂的信息整合与分析工作。
代码开发的智能协作
一些代理编程框架允许用户协调多个智能体同时处理代码库的不同部分。我们的Claude Code短课程展示了如何使用git worktrees实现这一点。通过并行处理，开发团队可以显著加快代码开发速度，特别是在处理大型项目时优势更加明显。
用户界面的实时反馈
一种迅速增长的设计模式是让计算密集型智能体工作数分钟或更长时间来完成一项任务，同时另一个智能体监控第一个智能体的进展并向用户提供简短更新，使他们保持信息畅通。从这里发展一步，就是让并行智能体在后台工作，而UI智能体保持用户信息畅通，并可能将异步用户反馈路由到其他智能体。
任务分解的挑战与机遇
对于人类管理者来说，将复杂任务（如构建复杂软件应用程序）分解为更小的任务供人类工程师并行工作已经相当困难；扩展到大量工程师尤其具有挑战性。同样，为并行智能体分解任务也具有挑战性。
然而，大语言模型推理成本的下降使得使用更多标记变得值得，而并行使用这些标记可以在不显著增加用户等待时间的情况下实现这一目标。这种成本效益的平衡为并行智能体的发展创造了有利条件。
前沿研究进展
并行智能体的研究正在快速发展，一系列令人鼓舞的研究成果不断涌现：
CodeMonkeys项目
Ryan Ehrlich等人发表的"CodeMonkeys: Scaling Test-Time Compute for Software Engineering"展示了并行代码生成如何帮助探索解决方案空间。这种方法通过同时生成多种可能的代码实现，显著提高了代码质量和开发效率。
混合智能体架构
Junlin Wang提出的混合智能体（mixture-of-agents）架构是一种组织并行智能体的 surprisingly 简单方法：让多个大语言模型提出不同的答案，然后让聚合器大语言模型将它们组合成最终输出。这种方法不仅简单高效，而且能够充分利用不同模型的特长。
未来展望
并行智能体领域仍有大量研究和工程工作需要探索如何最好地利用并行智能体。我相信，能够有效并行工作的智能体数量——就像能够有效并行工作的人类一样——将会非常高。
随着技术的不断进步，我们可以期待看到更多创新的并行智能体架构和应用场景。这些进步将进一步推动AI系统的发展，使其能够在保持用户体验的同时处理更复杂的任务。
结论
并行智能体代表了AI系统发展的一个重要方向，它通过利用多个智能体的并行工作能力，在保持用户等待时间可控的同时显著提升AI系统的处理能力和输出质量。随着大语言模型成本的下降和计算能力的提升，并行智能体将在更多领域展现出其价值，为AI技术的发展开辟新的可能性。
