并行智能体：加速AI系统的计算新范式

在人工智能领域，随着计算能力的不断提升，我们正见证着AI系统性能的飞跃式发展。传统的AI扩展路径主要依赖于更多的训练数据、训练时计算和测试时计算。然而，一种新的扩展方式正在崭露头角——并行智能体(Parallel Agents)技术，它通过同时运行多个智能体来进一步提升AI系统的性能和效率。

并行智能体的兴起

并行智能体正成为AI扩展的重要新方向。AI能力的提升一直伴随着训练数据量的增加、训练计算量的增长以及测试计算能力的增强。而让多个智能体并行运行，作为一种新兴技术，正逐渐成为进一步扩展和提升AI性能的有效手段。

从百度前团队的研究到OpenAI的后续工作，我们已经了解到AI模型的性能会随着数据和训练计算量的增加而可预测地提升。然而，随着推理模型需要思考、反思和迭代答案，以及智能体工作流程的复杂化，这些方法往往需要更长的处理时间。并行智能体提供了一条既能提高结果质量，又不会让用户长时间等待的解决路径。

传统的推理模型通常是顺序生成token，运行时间较长。大多数智能体工作流程最初也是以顺序方式实现的。但随着大模型每token成本的持续下降，这些技术变得更加实用，而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开始并行化。

虽然人类经理很难将复杂任务（如构建复杂软件应用）分解为更小的任务，让工程师并行工作，特别是扩展到大量工程师时更具挑战性，但同样地，为并行智能体分解任务也面临挑战。然而，大模型推理成本的下降使得使用更多token变得值得，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实现这一目标。

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文本，从而更快地合成深度思考的研究报告。这种方法大大缩短了信息收集和分析的时间，使研究过程更加高效。

一些智能体编码框架允许用户编排许多智能体同时处理代码库的不同部分。例如，Claude Code的短期课程展示了如何使用git worktrees实现这一功能，让多个智能体协同工作，共同完成复杂的编程任务。

一种快速发展的智能体工作流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，很容易发展出在后台工作的并行智能体，而UI智能体则保持用户知情，并可能将异步用户反馈路由到其他智能体。

并行智能体的研究正在蓬勃发展，为这一领域提供了丰富的理论和实践支持。

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。该研究表明，通过并行处理，可以更全面地探索代码生成的可能性空间，从而找到更优的解决方案。

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：让多个大模型提出不同的答案，然后让聚合器大模型将它们组合成最终输出。这种方法不仅简单有效，而且为并行智能体的组织提供了一种新的思路。

尽管并行智能体展现出巨大潜力，但仍有许多研究和工程工作需要探索如何最好地利用并行智能体。智能体能够高效并行工作的数量——就像能够高效并行工作的人类一样——可能会非常高。

为并行智能体分解任务仍然面临挑战。如何将复杂任务合理分解为可以并行执行的子任务，是提高并行智能体效率的关键。这需要深入理解任务的本质和智能体的能力边界。

随着并行智能体数量的增加，如何有效协调和管理这些智能体之间的资源分配、通信和同步，将成为一个重要的研究课题。

如何评估并行智能体的性能和效果，需要建立新的评估标准和指标。传统的评估方法可能无法准确反映并行智能体的优势和价值。

并行智能体作为AI系统扩展的新范式，正展现出巨大的潜力和价值。通过同时运行多个智能体，我们可以在不显著增加用户等待时间的情况下，大幅提升AI系统的性能和效率。随着研究的深入和技术的成熟，并行智能体有望在更多领域得到应用，为人工智能的发展开辟新的道路。

并行智能体工作流程示意图

未来，随着大模型推理成本的进一步下降和计算能力的持续提升，并行智能体技术将更加成熟，应用场景也将更加广泛。我们有理由相信，并行智能体将成为AI系统性能提升的重要驱动力，推动人工智能向更高水平发展。