以下文章来源于CSDN ，作者万有引力 CSDN . 成就一亿技术人 嘉宾 | 范文栋 对话 | 唐小引 责编 | 郑丽媛 出品 | CSDN（ID：CSDNnews） 今年 3 月，Manus 的横空出世，引爆 了 新一轮 的 AI Agent 热潮 。 人们惊讶地发现，原本复杂繁琐的任务流，如今一个 Agent 就能自动规划、调用工具、执行操作，甚至还能主动 Debug 和自我修复——生成式 AI 从" 语言理解"向"任务执行"演化， Agent 也 不再是只能聊天的大语言模型，而是可以"动手做事"的数字助手 。 然而，在 这场技术热潮中，质疑与分歧也接踵而至：" Agent 的 Scaling Law 是否存在 "、" 通用 Agent 是否真的可行 " ， 这些 问题 引发了广泛的 争议与探讨。一方面，部分研究者坚信，随着模型技术的进步，Agent 将能实现从特定任务向通用能力的跨越；而另 一 方面，也有声音指出 ， 所谓 的"通用 Agent"， 或许 只 是一套被过度期许的工程幻象。 为了解答这些技术 争议，由 CSDN 主办 的《万有引 力》栏目 在 全球机器学习技术大会 的现场特别邀请到了 C ...

朱昆仑是伊利诺伊大学香槟分校（UIUC）计算机科学系的研究生，现隶属于Ulab与Blender Lab，曾在斯坦福大学、卡内基梅隆大学（CMU）与蒙特利尔学习算 法研究所（Mila）进行学术访问。他的研究方向包括大语言模型（LLM）智能体、多智能体系统、AI科学家与工具学习等，在ICML、ICLR、ACL、TMLR等顶 级会议与期刊发表论文10余篇，总引用超过1500次。 他积极参与多个广泛影响的开源项目，包括 OpenManus(RL)、ChatDev（MACNET）、ToolBench 等，累计 在 GitHub 上获得超过 5万+ stars。此外，他曾受邀在 AMD 开发者大会、阿里巴巴云栖大会等重要学术与工业会议中作报告，分享其在AI智能体方面的开源成 果。 这不仅是一个评测集，更是首个能够全面、系统化地评估 LLM 多智能体系统协作与竞争能力的综合性基准。它不仅仅是一套「考题」，而更像一个「模拟 真实社会动态的实验室」，旨在揭示多智能体协作的奥秘，并回答一系列关键问题： …… 论文标题： MultiAgentBench：Evaluating the Collaboration and Compet ...

中财融通大模型及上市公司研报智能体CUFEL-A7月5日在中央财经大学主办的2025中关村论坛系列活动-全球财经论坛上正式发布。 王靖一介绍，CUFEL-A智能体通过"资料汇总、规划、架构与反思、撰写"四个步骤，可以对A股上市公司产出独立原创、深度科学的研究报告。研究团队基 于"生成式""端到端""多智能体系统整体强化学习"三大原则构建研报评估算法，基于数十万份券商研报构建研报评价算法，提升研报撰写质量。 "CUFEL-A是我们对人工智能在金融应用范式的第一次探索，这种问题解决流程可以迁移至其他金融领域：基于头部大模型构建多智能体系统产出高质量成 果，通过部署应用产出数据；数据用于微调轻量化模型，轻量化模型部署回多智能体系统满足行业本地化部署需求。"王靖一说。 上证报中国证券网讯（记者 刘暄）中财融通大模型（Chinese Unified Financial and Economic LLMs，下称CUFEL）及上市公司研报智能体CUFEL-A7月5日在 中央财经大学主办的2025中关村论坛系列活动-全球财经论坛上正式发布。 据了解，该模型由中央财经大学金融学院师生团队自主研发。王靖一透露，当前，团队正积极与 ...

本文第一作者叶锐，上海交通大学博士三年级，研究方向是大模型多智能体，联邦学习，博士导师陈思衡，上海交通大学人工智能学院副教授。 OpenAI 将 "组织级智能 (Organizational AI)" 设定为通向 AGI 的第五个重要阶段 —— 期待 AI 能像一个高效协作的组织那样，处理复杂任务并协调大规模运作。多 智能体系统（Multi-Agent Systems, MAS）正是实现这一目标的重要探索方向。 然而，构建能够支撑这种复杂智能的 MAS 并非易事，研究者们常面临结构繁多、Prompt 调试耗时、难以解决通用任务等挑战…… 如今，一种全新的方法出现了，由上海交通大学人工智能学院、上海人工智能实验室、牛津大学等机构联合推出的 MAS-GPT，正式提出： 生成式 MAS 设计范 式 ， 只需一句 Query，就能 "一键生成" 一套可执行、组织清晰的 MAS！ 这意味着，构建 MAS 变得 " 像与 ChatGPT 聊天一样简单，一个问题直出完整多智能体系统 "！MAS-GPT，正努力让这条通往 AGI 第五阶段的道路，变得更加 平坦和高效。 该工作 "MAS-GPT: Training LLMs ...

港大、camel-ai 等多家机构联合提出了一种名为新的名为 Workforce 的创新多智能体框架，以及配套的 OWL（Optimized Workforce Learning）训练 方法，在通用 AI Assistant 的标杆基准测试 GAIA 上取得了 69.70% 的准确率，不仅刷新了开源系统的最佳纪录，更是超越了多家商业系统以及 OpenAI Deep Research 的开源方案。 该研究成果所有代码均已开源，目前已经在 github 上收获了 17k 的 star。 论文标题：OWL: Optimized Workforce Learning for General Multi-Agent Assistance in Real-World Task Automation 论文地址：https://arxiv.org/abs/2505.23885 项目代码：https://github.com/camel-ai/owl 背景与挑战：多智能体系统的 「 领域壁垒 」 随着 LLM 的飞速发展，单一智能体在处理复杂现实任务时逐渐暴露出局限性。为此，多智能体系统（MAS）应运而生，通过让多个专门化的智 ...

本文来自 Anthropic 官网的分享，详细阐述了他们是如何构建多智能体研究系统《How we built our multi-agent research system》。 他们研究发现， 多智能体系统最适合三类场景：高价值并行任务、超出单上下文窗口的信息处理、需要操作多个复杂工具的情况。需要共享上下文或存 在复杂依赖关系的场景目前并不适合多智能体方案。 下面是翻译全文： 我们的"研究"功能采用多智能体协作架构，让 Claude 能更高效地探索复杂课题。本文将分享系统构建过程中遇到的工程挑战与经验总结。 如今 Claude 已具备跨网络、Google Workspace 及各类集成系统进行信息检索的研究能力，以完成复杂任务。这套多智能体系统从原型到生产的实践历 程，让我们在系统架构、工具设计和提示工程等方面积累了宝贵经验。 多智能体系统由多个自主使用工具的 LLM 智能体协同工作，在我们的研究功能中，主智能体会根据用户查询规划研究流程，随后创建并行工作的子智能 体进行信息检索 。这类系统在智能体协调、评估与可靠性方面带来了全新挑战。 本文将拆解我们验证有效的设计原则，希望能为开发者构建多智能体系统提供参考 ...

播客内容由 listenhub 生成，懒得看的话也可以听 昨天最热的的两篇文章是关于多智能体系统构建的讨论。 先是 Anthropic 发布了他们在深度搜索多智能体构建过程中的一些经验，具体：包括多智能体系统的优势、架构概览、提示工程与评估、智能体的有效评估等方 面。 另外一边 Devin 的开发商 Cognition 的一个负责人 Walden 发布文章告诫大家不要构建多智能体，指出一些常见但实际效果不佳的方法，特别是多智能体架构的弊 端。 这篇文章主要就是结合两篇文章看一下 Cognition 提到的多智能体架构弊端和 Anthropic 给出的解决方案 。同时后面也会有两篇文章非常详细的总结。 什么是多智能体 多智能体系统由多个智能体（大型语言模型 [LLM] 自主地循环使用工具）协同工作组成。 在这种系统中，一个主智能体（或协调器）会根据用户查询规划研究过程，然后使用工具创建并行操作的子智能体，这些子智能体同时搜索信息。这种架构允许主 智能体协调整个过程，同时将任务委托给专门的子智能体。 所以具体的步骤一般为： 1. 将工作分解为多个部分 首先是领域选择: 他们将多智能体系统应用于他们认为特别适合并行 ...

机器之心报道 机器之心编辑部 研究多智能体必读指南。 「Anthropic 发布了他们如何使用多个 Claude AI 智能体构建多智能体研究系统的精彩解释。对于任何构建多智能体系统的人来说，这是一本必读的指南。」刚 刚，X 知名博主 Rohan Paul 强力推荐了 Anthropic 一项新研究。 最近一段时间，关于智能体的研究层出不穷。但这也为广大研究者带来一些困惑，比如什么任务需要多智能体？多个 AI 智能体如何协作？怎么解决上下文和记忆 问题…… 面对这些问题，你不妨读读 Anthropic 的这篇文章，或许能找到答案。 文章地址：https://www.anthropic.com/engineering/built-multi-agent-research-system 多智能体系统的优势 有些研究涉及开放式问题，这类问题往往难以预先确定所需的步骤。对于复杂问题的探索，人类无法硬性规定固定路径，因为这一过程本质上是动态且具有路径 依赖性的。当人们开展研究时，通常会根据发现持续调整方法，沿着调查过程中浮现的线索不断推进。 这种不可预测性使得 AI 智能体特别适合执行研究类任务。研究工作要求具备灵活性 ...

2025年6月13日，Anthropic工程团队发布了一份详尽的技术文档，公开了他们构建多智能体研究系统的完整历程。这个系统让多个Claude智能体协同工作，能够搜索 网络、Google Workspace以及各种集成系统，完成复杂的研究任务。 在这份万字长文中，工程团队分享了一个关键数据：以Claude Opus 4为主智能体、Claude Sonnet 4为子智能体的多智能体系统，比单独使用Claude Opus 4的性能提 升了90.2%。但这种性能提升是有代价的——多智能体系统使用的token是普通聊天的15倍。 文章揭示了多智能体系统的核心架构：一个主智能体负责分析用户需求、制定研究策略，然后创建多个子智能体并行探索不同维度的信息。每个子智能体拥有独立 的上下文窗口，能够同时处理不同的搜索任务，最后将结果汇总给主智能体。这种设计让系统能够在几分钟内完成原本需要几小时的研究工作。 在构建这个复杂系统的过程中，团队总结出了8条提示工程原则： 在构建从原型到生产级产品的过程中，Anthropic团队分享了关键的工程实践： 资源分配需要明确规则。 早期版本曾为简单查询生成50个子智能体，陷入失控。解决方案是 ...

全文阅读时间约为9分钟。 区域型银行"AI突围战"已打响 。过去24个月，生成式AI在全球金融服务行业的应用持续演进。摩根士 丹利已向约1.5万名财务顾问推出AI工具，帮助他们在客户会议中生成纪要和下一步最佳行动方案， ING已将智能聊天机器人推向10个市场约3,700万名客户。这些都传递出一个清晰的信号：生成式AI竞 赛已从技术探索转向价值变现阶段。对于区域型银行而言，这场关于AI的变革早已不是"选择题"，而是 如何捕捉AI价值、实现应用落地的一道"必答题"。 纵观全球银行业生成式AI（GenAI）技术应用现状，我们有以下四点观察： 观察一：AI应用百花齐放，逐步从内部使用向客户端延展 生成式AI及其他人工智能技术正重塑银行内部运营模式和对客服务方式。起初，AI技术仅运用在客户 经理赋能、软件开发提效、信贷报告自动生成等银行内部应用场景，而伴随AI技术的突破，其应用场 景正越来越多向客户端延展，如AI客服机器人、超个性化的市场营销策略等。 观察二：技术持续革新，多智能体系统能提供覆盖复杂流程的"一站式"解决 方案 多智能体系统具备行动规划、使用工具执行规划、与其他智能体及人员合作、边实践边学习以自我改进 的 ...