人工智能领域正在经历一场革命，而并行智能体的兴起正是这场革命的重要组成部分。随着AI能力的不断提升，研究人员和工程师们正在寻找新的方法来扩展和优化AI系统。并行智能体作为一种新兴技术方向，正在改变我们对AI扩展的传统认知。
并行智能体的崛起
AI能力的扩展一直遵循着可预测的模式：更多的训练数据、更多的训练时间计算以及更多的测试时间计算。然而，随着这些资源的不断增加，我们开始面临新的挑战。并行智能体的出现为这一挑战提供了创新的解决方案。
从百度前团队的研究到OpenAI的扩展定律，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。而测试时间计算，如智能体工作流和推理模型，则通过思考、反思和迭代答案来进一步提高性能。但这些方法往往需要更长的运行时间，这限制了它们在实际应用中的可行性。
并行智能体提供了一条新路径：在不增加用户等待时间的情况下，通过同时运行多个智能体来提升AI系统的性能和效率。这种方法特别适用于那些对响应时间有严格要求的应用场景。
为什么需要并行智能体？
传统方法的局限性
传统的推理模型采用顺序生成token的方式，运行时间往往很长。同样，大多数智能体工作流最初也是以顺序方式实现的。随着大语言模型(LLM)每token价格的持续下降，这些技术变得越来越实用，但产品团队仍然希望更快地向用户提供结果。
用户期望与实际需求的矛盾
现代用户对AI系统的响应速度有着越来越高的期望。他们不希望在获得高质量结果时等待过长时间。这种矛盾促使开发人员寻找新的方法来平衡性能和响应时间。
计算资源的有效利用
随着计算能力的提升，我们有了更多的资源可以利用。并行智能体允许我们更有效地利用这些资源，同时保持用户等待时间在可接受范围内。
并行智能体的实际应用
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，以尝试更快地合成深度思考的研究报告。这种方法大大提高了信息收集和处理的效率，使研究人员能够更快地获得有价值的结果。
代码框架中的多智能体协作
一些智能体编码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。我们的Claude Code短期课程展示了如何使用git worktrees实现这一点。通过将复杂的编程任务分解为多个子任务，并由不同的智能体并行处理，可以显著提高开发效率。
设计模式中的智能体配合
一个快速发展的智能体工作流设计模式是让一个计算密集型智能体工作数分钟或更长时间来完成一个任务，同时另一个智能体监控第一个智能体并向用户提供简短更新，以保持信息透明。从这种模式出发，很容易发展到并行智能体：背景智能体工作，而UI智能体保持用户知情，并可能将异步用户反馈路由到其他智能体。
并行智能体的挑战与机遇
任务分解的复杂性
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，让人类工程师并行工作已经很困难；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。
成本效益的考量
尽管任务分解具有挑战性，但LLM推理成本的下降使得使用更多token变得值得。并行使用这些token允许在不显著增加用户等待时间的情况下完成更多工作。
研究进展的推动
令人鼓舞的是，关于并行智能体的研究正在迅速发展。例如，Ryan Ehrlich等人撰写的《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。
未来展望
并行智能体领域仍有大量的研究和工程工作需要探索，以充分利用其潜力。我相信，能够并行高效工作的智能体数量——就像能够并行高效工作的人类一样——将会非常高。
随着技术的不断进步，我们可以预见并行智能体将在更多领域发挥重要作用，从科学研究到软件开发，从内容创作到决策支持。这种方法不仅能够提高AI系统的性能，还能够使其更加灵活、适应性强，更好地满足不同场景的需求。
结论
并行智能体代表了一种新的AI扩展范式，它通过同时运行多个智能体来提升性能，而不增加用户等待时间。尽管面临任务分解等挑战，但随着LLM推理成本的下降和研究的深入，并行智能体正在展现出巨大的潜力。
未来，随着技术的进一步发展和应用场景的不断扩展，并行智能体有望成为AI系统的标准配置，为我们带来更高效、更强大的AI体验。正如Andrew在文章最后所说："Keep building!" 这正是推动AI技术不断前进的动力所在。
