Anthropic Phát Hành Framework Phối Hợp Đa AI Agent Cho Nhà Phát Triển

Lawrence Jengar 10/04/2026 18:06

Anthropic công bố hướng dẫn toàn diện về năm mô hình phối hợp đa AI Agent, cung cấp cho các nhà phát triển framework thực tế để xây dựng các hệ thống tự động phức tạp.

Anthropic Phát Hành Framework Phối Hợp Đa AI Agent Cho Nhà Phát Triển

Anthropic đã công bố một hướng dẫn kỹ thuật chi tiết phác thảo năm mô hình phối hợp riêng biệt cho các hệ thống đa AI Agent, cung cấp cho các nhà phát triển một framework thực tế để xây dựng các ứng dụng tự động yêu cầu nhiều AI Agent làm việc cùng nhau.

Hướng dẫn này, được phát hành thông qua blog chính thức của Claude, giải quyết một điểm đau đang gia tăng trong phát triển AI: các đội ngũ chọn kiến trúc quá phức tạp khi các giải pháp đơn giản hơn là đủ. Khuyến nghị của Anthropic rất thẳng thắn—bắt đầu với mô hình đơn giản nhất có thể hoạt động và phát triển từ đó.

Giải Thích Năm Mô Hình

Framework chia nhỏ phối hợp đa AI Agent thành năm phương pháp, mỗi phương pháp phù hợp với các trường hợp sử dụng khác nhau:

Generator-verifier ghép nối một AI Agent tạo ra đầu ra với một AI Agent khác đánh giá nó dựa trên các tiêu chí rõ ràng. Hãy nghĩ về việc tạo mã code nơi một AI Agent viết mã trong khi AI Agent khác chạy kiểm tra. Anthropic cảnh báo mô hình này thất bại khi các đội ngũ triển khai vòng lặp mà không xác định xác minh thực sự có nghĩa là gì—tạo ra "ảo giác về kiểm soát chất lượng mà không có bản chất."

Orchestrator-subagent sử dụng cấu trúc phân cấp nơi một AI Agent chính giao nhiệm vụ có giới hạn. Claude Code đã sử dụng phương pháp này, điều phối các đại lý phụ nền để tìm kiếm các cơ sở mã lớn trong khi AI Agent chính tiếp tục công việc chính.

Agent teams khác với orchestrator-subagent theo một cách quan trọng: sự tồn tại của worker. Thay vì kết thúc sau mỗi nhiệm vụ, các đồng đội vẫn hoạt động qua các nhiệm vụ được giao, tích lũy kiến thức chuyên môn. Điều này hoạt động tốt cho các di chuyển quy mô lớn nơi mỗi AI Agent phát triển sự quen thuộc với thành phần được giao.

Message bus kiến trúc phù hợp với các pipeline hướng sự kiện nơi quy trình làm việc xuất hiện từ các sự kiện thay vì các chuỗi được xác định trước. Các hệ thống hoạt động bảo mật minh họa điều này—cảnh báo định tuyến đến các AI Agent chuyên biệt dựa trên loại, với khả năng AI Agent mới cắm vào mà không cần nối lại các kết nối hiện có.

Shared state loại bỏ hoàn toàn các bộ phối hợp trung tâm. Các AI Agent đọc từ và ghi vào một kho lưu trữ bền vững trực tiếp, xây dựng dựa trên những khám phá của nhau theo thời gian thực. Các hệ thống tổng hợp nghiên cứu được hưởng lợi ở đây, nơi phát hiện của một AI Agent ngay lập tức thông báo cho cuộc điều tra của AI Agent khác.

Nơi Mỗi Mô Hình Gặp Vấn Đề

Anthropic không ngại ghi lại các chế độ thất bại. Các vòng lặp generator-verifier có thể bị đình trệ vô thời hạn nếu generator không thể giải quyết phản hồi—giới hạn lặp tối đa với các chiến lược dự phòng là cần thiết. Orchestrator-subagent tạo ra các nút thắt thông tin; các chi tiết quan trọng thường bị mất khi định tuyến qua một bộ phối hợp trung tâm.

Agent teams gặp khó khăn khi công việc không thực sự độc lập. Tài nguyên được chia sẻ làm tăng vấn đề—nhiều AI Agent chỉnh sửa cùng một tệp tạo ra xung đột đòi hỏi phân vùng cẩn thận. Kiến trúc message bus làm cho việc gỡ lỗi khó khăn hơn vì theo dõi các cascade sự kiện qua năm AI Agent đòi hỏi ghi nhật ký tỉ mỉ.

Shared state rủi ro vòng lặp phản ứng nơi các AI Agent tiếp tục phản hồi các cập nhật của nhau mà không hội tụ, đốt cháy token vô thời hạn. Giải pháp: các điều kiện kết thúc hạng nhất như ngân sách thời gian hoặc ngưỡng hội tụ.

Điểm Khởi Đầu Thực Tế

Đối với hầu hết các ứng dụng, Anthropic khuyến nghị bắt đầu với orchestrator-subagent. Nó xử lý phạm vi rộng nhất của các vấn đề với chi phí phối hợp tối thiểu. Các hệ thống sản xuất thường kết hợp các mô hình—orchestrator-subagent cho quy trình làm việc tổng thể với shared state cho các tác vụ phụ nặng về cộng tác.

Công ty lên kế hoạch các bài đăng tiếp theo xem xét từng mô hình với các triển khai sản xuất và các nghiên cứu điển hình. Đối với các nhà phát triển xây dựng ứng dụng AI yêu cầu nhiều AI Agent—cho dù là để xem xét mã code, hoạt động bảo mật, hoặc tổng hợp nghiên cứu—framework này cung cấp hướng dẫn cụ thể về việc khớp kiến trúc với các yêu cầu thực tế thay vì sự tinh vi được cảm nhận.

Nguồn hình ảnh: Shutterstock