并行智能体：AI性能加速的新范式

人工智能领域正在经历一场革命性的变革，而并行智能体的出现正是这场变革的重要组成部分。随着AI系统计算能力的不断提升，研究人员和工程师们正在探索新的方法来扩展AI的性能，而并行智能体作为一种新兴技术，正在成为解决这一挑战的关键。

并行智能体的崛起

AI能力的扩展一直依赖于三个关键因素：更多的训练数据、训练时的计算能力以及测试时的计算能力。然而，随着这些传统方法的边际效益逐渐递减，研究人员开始寻找新的扩展路径。并行智能体的出现，为AI性能的进一步提升提供了全新的可能性。

百度前团队和OpenAI的研究表明，AI模型的性能与数据和训练计算量之间存在可预测的扩展关系。而测试时计算能力的提升，如在代理工作流和推理模型中的应用，也能进一步改善AI的表现。但这些方法通常需要更长的处理时间，影响了用户体验。并行智能体的出现，恰好解决了这一矛盾。

推理模型通常按顺序生成标记，运行时间较长；大多数代理工作流最初也是以顺序方式实现的。然而，随着每个标记的LLM价格持续下降，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。

并行智能体的优势在于，它们可以在不显著增加用户等待时间的情况下，大幅提升AI系统的性能。这种并行处理方式，使得系统能够同时处理多个任务或子任务，从而实现整体性能的飞跃。

并行智能体的概念正在多个领域得到实际应用，展现出巨大的潜力：

许多研究代理现在能够同时获取多个网页并并行检查其文本，以更快地合成深度思考的研究报告。这种并行处理方式大大缩短了信息收集和分析的时间，使研究人员能够更快地获得有价值的见解。

一些代理编码框架允许用户编排多个代理同时处理代码库的不同部分。例如，我们的Claude Code短期课程展示了如何使用git worktrees实现这一功能。这种并行处理方式使得复杂项目的开发速度大幅提升，团队成员可以同时处理不同的模块。

代理工作流的一个快速增长的设计模式是，让计算密集型代理工作数分钟或更长时间来完成一项任务，同时另一个代理监控第一个代理并向用户提供简要更新，以保持信息畅通。从这种模式出发，很容易发展到并行智能体的概念：背景智能体工作，UI智能体保持用户信息畅通，并将异步用户反馈路由到其他智能体。

对于人类管理者来说，将复杂任务（如构建复杂的软件应用程序）分解为更小的任务，让人类工程师并行工作，已经相当困难；扩展到大量工程师更是极具挑战性。同样，为并行智能体分解任务也面临类似的挑战。

然而，LLM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，使得并行智能体的应用变得更具吸引力。

并行智能体领域的研究正在蓬勃发展，为这一技术的应用提供了坚实的理论基础：

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。这项研究表明，通过并行处理，AI系统能够更全面地探索可能的解决方案，从而找到更优的结果。

Junlin Wang提出的混合智能体架构是一种组织并行智能体的 surprisingly 简单方法：让多个LLM提出不同的答案，然后让聚合器LLM将它们组合成最终输出。这种架构不仅简单高效，而且具有良好的可扩展性。

尽管并行智能体展现出巨大的潜力，但仍然存在大量的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数量一样——将会非常高。

随着LLM价格的持续下降和计算能力的不断提升，并行智能体有望成为AI性能扩展的主要方向。未来的AI系统很可能会由大量并行工作的智能体组成，每个智能体专注于特定的任务或子任务，通过高效的协作实现整体性能的最大化。

并行智能体代表了AI性能扩展的一个重要新方向，它通过同时运行多个智能体来加速AI系统，而不增加用户的等待时间。从研究代理到编码框架，从设计模式到前沿研究，并行智能体正在多个领域展现出巨大的潜力。

随着技术的不断发展和研究的深入，我们有理由相信，并行智能体将在未来的AI系统中扮演越来越重要的角色，推动人工智能技术向更高水平发展。正如Andrew在文章最后所说："Keep building!" 这不仅是对并行智能体技术的鼓励，也是对整个AI社区持续创新的期许。

并行智能体工作流程

并行智能体的工作流程展示了多个智能体如何协同工作，通过并行处理提高整体效率。