人工智能(AI)能力的扩展一直沿着三个主要方向进行：更多训练数据、更多训练时计算以及更多测试时计算。然而，随着技术的不断进步，一种新的扩展方向正在崭露头角——并行智能体(Parallel Agents)。这种技术允许多个智能体同时运行，为AI系统的性能扩展和改进提供了全新路径。
并行智能体的兴起
并行智能体作为一种重要的新方向，正在AI领域引起广泛关注。通过让多个智能体并行工作，我们可以在不显著增加用户等待时间的情况下，进一步提升AI系统的性能和输出质量。
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。而通过测试时计算，如在智能体工作流和推理模型中，性能可以得到进一步提升。这些方法允许模型进行思考、反思和迭代，但同时也增加了生成输出的时间。并行智能体则提供了一种平衡方案，既能够提高结果质量，又不会让用户等待过长时间。
从串行到并行：智能体工作流的演变
传统的推理模型是顺序生成token的，运行时间较长。同样，大多数智能体工作流最初也是以串行方式实现的。然而，随着大语言模型(LLM)每token价格的持续下降，以及产品团队希望更快地为用户提供结果，越来越多的智能体工作流正在被并行化。
这种转变不仅提高了效率，还解锁了新的可能性。当多个智能体同时工作时，它们可以探索解决方案的不同方面，从而产生更全面、更高质量的输出。
并行智能体的实际应用
并行智能体技术已经在多个领域展现出其价值和应用潜力：
1. 智能研究
许多研究智能体现在能够同时获取多个网页并并行分析其内容，以尝试更快地合成深度思考的研究报告。这种方法大大缩短了研究周期，使研究人员能够更快地从海量信息中提取有价值的见解。
2. 代码生成与开发
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。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。通过并行处理，开发团队可以显著加速软件开发过程，特别是在添加多个功能时。
3. 用户界面与反馈系统
一个日益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的进度，并向用户提供简短更新，让他们保持信息畅通。从这里出发，下一步就是让背景智能体并行工作，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。
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具有挑战性；扩展到大量工程师尤其困难。同样，为并行智能体分解任务也具有挑战性。
然而，LLM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。这种经济因素正在推动并行智能体技术的快速发展。
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 简单方式：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，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。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。
结论
并行智能体代表了AI系统扩展的一个重要新方向。随着LLM推理成本的持续下降和用户对更快响应的需求增加，并行智能体技术将在各个领域发挥越来越重要的作用。从智能研究到代码生成，从用户界面设计到复杂问题解决，并行智能体正在为AI系统的性能和效率设定新的标准。
未来的研究将继续探索如何优化并行智能体的架构、任务分解方法和协作机制，以充分发挥这一技术的潜力。随着技术的不断成熟，我们可以期待看到更多创新应用的出现，进一步推动AI领域的发展。
