在人工智能领域，随着训练数据、训练时计算和测试时计算的持续扩展，AI能力不断提升。如今，并行智能体作为一种新兴的重要方向，正在进一步扩展和提升AI系统的性能。通过让多个智能体同时运行，我们能够实现更高效的计算利用，同时减少用户的等待时间。
从顺序到并行：AI计算的演进
传统上，AI模型特别是推理模型，通常采用顺序生成token的方式运行，这导致处理时间较长。同样，大多数智能体工作流程最初也是以顺序方式实现的。然而，随着大语言模型(LLM)每token价格的持续下降，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，因此越来越多的智能体工作流程正在被并行化。
并行智能体的核心优势在于它们能够在不显著增加用户等待时间的情况下，利用更多的计算资源。这就像人类项目经理可以将复杂任务分解为多个子任务，让工程师们并行工作一样。不过，对于AI系统而言，将任务分解供并行智能体执行同样具有挑战性。
并行智能体的实际应用
研究代理的并行化
许多研究代理现在会同时获取多个网页并并行检查其文本内容，以尝试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收集和分析的效率，使研究过程更加全面和深入。
代码框架的并行处理
一些智能体编程框架允许用户编排多个智能体同时处理代码库的不同部分。例如，通过使用git worktrees等技术，开发人员可以同时为多个功能开发分支，大大提高了开发效率。我们的Claude Code短期课程就展示了如何实现这种并行处理。
设计模式的创新
智能体工作流程的一个快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，同时让另一个智能体监控第一个智能体并向用户提供简要更新，以保持信息同步。从这种模式出发，很容易发展到并行智能体：它们在后台工作，而UI智能体则保持用户的知情，并可能将异步用户反馈路由到其他智能体。
并行智能体的技术基础
从百度前团队的工作到OpenAI的研究，我们已经了解到AI模型的性能可以随着数据和训练计算量的增加而可预测地提升。而测试时计算，如智能体工作流程和推理模型，则能进一步提高性能，但这些方法通常需要更长的输出时间。
并行智能体提供了一条改进结果的替代路径，而无需让用户长时间等待。随着LLM推理成本的持续下降，使用更多的token变得更加经济可行，而并行使用这些token可以在不显著增加用户等待时间的情况下完成更多工作。
研究进展与未来展望
令人鼓舞的是，关于并行智能体的研究正在迅速增长。例如，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。Junlin Wang提出的混合代理(mixture-of-agents)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LLM将它们组合成最终输出。
尽管如此，如何最好地利用并行智能体仍有许多研究和工程工作需要探索。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。
结论
并行智能体代表了AI系统扩展和优化的前沿方向。它们不仅能够更有效地利用计算资源，还能为用户提供更快的响应时间，同时保持或提高输出质量。随着技术的不断发展和研究的深入，我们有望看到并行智能体在更多领域的创新应用，推动AI系统向更高效率、更强能力的方向发展。
未来，随着更多研究团队和企业投入到并行智能体的开发中，我们可以期待看到更加成熟和高效的并行处理架构，进一步释放AI技术的潜力，为用户带来更智能、更快速的服务体验。
