9月9日WAVE SUMMIT大会现场，文心快码全新升级到了3.5S版本，强化多智能体自协同能力，实现“一人即团队”开发新模式。

01浅析多智能体协同

首先，智能体能力更强，能懂业务，会分解任务列表，执行更准；其次，从单智能体到多智能体协同，动态生成多个智能体，自主协同一起解决复杂任务；最后，团队协作更强，基于 Rules 与 MCP 构建统一的经验库和外部工具，实现团队知识传承和外部开放性建设。

很多朋友之前接触 AI工具时，可能更多是一个智能体帮你写代码、调试一个问题，属于“单兵作战”。

而现在，新的趋势是：让多个智能体协作，就像一个小团队一样，把更复杂的任务完成。

就像我们平时做一个项目，需要产品经理、开发、测试、运营一起配合。AI世界里也可以这样⬇️⬇️

1.不同的智能体各司其职，有的负责规划，有的写代码，有的调试，有的做体验优化。——生成效果更好

2.子Agent使用独立的上下文窗口，且独立执行，不会干扰主会话上下文。——突破上下文限制

文心快码的Subagents是一种多智能体自协同引擎。通过主Agent对任务进行拆解，多个子Agent协作处理规模更小、目标更聚焦的子任务，从而让复杂问题的解决更高效、更有条理。

02多智能体协同的应用场景

在代码助手场景下，多智能体协同能够让不同智能体各司其职、相互配合，比如一个智能体专注于代码生成，一个负责代码审查与风格优化，一个负责测试与调试，还有的进行安全检测与性能优化。它们通过分工合作和互相校验，不仅能提升代码质量与开发效率，还能减少遗漏和错误，形成从需求拆解、代码实现到测试优化的完整闭环，从而更好地帮助开发者解决实际问题。另外子智能体核心解决的问题是上下文窗口不够，子智能体的层级隔离策略让他的上下文可以完全独立于主Agent，使主Agent的上下文一方面减少冗余信息，另一方面减少污染，避免幻觉。

我们实现的架构是这样的：系统级智能体专门用于调度其他智能体，统筹智能体之间的信息传递。开发者按需定义属于个人工作习惯的个人级智能体，通过自然语言Workflow。其他能调用到的工具还包括，项目级MCP，开发者根据所开发的项目进行MCP的定义，如后端项目需要链接Mysql、前端需要链接Figma，并注册到子智能体中。Rules，项目级，开发者根据所开发的项目整理Rules。那么这整套的架构，就保证了我们复杂任务的高效完成。

对于开发者来说，文心快码Subagents应用在如下场景有显著效果：

垂类场景效果有优化：如代码评审、生成文档等可自定义符合团队规范的 Agent，通过委派最合适的子Agent 执行，从而获得更佳效果。

适合复杂工作流编排：从需求拆解到开发、测试、文档生成，形成完整流水线。

大规模任务执行：代码库规模庞大、跨多个文件或模块协同修改需求。

文心快码Subagents能力除了使用内置的多个官方Agent进行协同，也支持使用自定义智能体。

自定义智能体功能允许你根据自身需求，创建并配置专属的智能体。它可以具备特定角色、技能和行为逻辑，帮助你在不同工作场景下高效完成任务。

自定义智能体最显著的优势在于：

• 可定制性： 用户自由组合行为规则与可调用工具，实现灵活配置
• 垂类效果提升： 针对特定业务需求优化表现，效果远优于通用模式

自定义智能体适用于如下场景：

• 只需要执行特定工具的专属行为模式；
• 需要高度控制与编排能力的复杂工作场景；
• 企业或个人的领域知识服务场景。

03看几个有趣的小例子！

Case1：0-1生成包含20个游戏的游戏平台

之前我们常见的Agent能力，更多是帮我们生成一个简单的小游戏，比如贪吃蛇、马里奥游戏。

但我们今天想生成一个游戏平台，让我们看看通过Subagents多智能体协同，如何让这件事变得更高效、更准确。

Prompt： 生成一个小游戏平台。需要包含游戏大厅、游戏入口，点击后进入二级菜单运行游戏，也可以单个游戏返回游戏大厅。游戏包括：

1.2048

2.flappy bird

3.扫雷

使用纯HTML实现，全部生成完成后统一验证。
👉点击查看视频

Case2：已有项目使用多智能体协同进行解读

在这个已有项目的分析解读环节，期望模型能够从多个角度来拆解项目，最后整理成一份 README，作为程序员大家都有体验，遇到一个新接手的项目，没有任何历史资料的情况下，我们很难对项目很好的理解和下手开发。希望通过多智能体协作的方式，帮助从多个角度解读项目，分模块告诉我有哪些部分，并且交给另一个擅长编写文件的智能体生成一份README，这样让大家不仅能快速理解项目的整体目标和技术栈，还能清晰知道每个模块的职责、关键文件和启动方式，从而在新接触一个已有项目的场景中更直观地掌握项目全貌。

Prompt： 帮我从多个角度解读这个项目，分模块的告诉我有哪些部分，生成一份README
👉点击查看视频

Case3：为电商平台做国际化升级，AI Coding辅助开发者快速实现页面翻译

随着品质国货在海外市场受到广泛认可，为国货出海创造不少新机遇

1.自定义智能体：翻译专家

你是一个翻译前端页面的专家，当前项目中的界面展示语言是中文，我希望整个页面能够被只会英文的用户使用。

修改文件过程请保持小块的修改，避免由于一次改动太大超过输入输出窗口，导致失败。

1.配置Subagent：勾选翻译专家

2.输入Prompt：使用翻译专家Agent，翻译页面上的内容到英文。
👉点击查看视频

04直播Q&A精选

Q1：多智能协同和传统单体AI最主要的区别和优势是什么？

A1：

• 单体AI更像是一个“万能助手”，什么都能做一点，但在复杂任务中容易“力不从心”；而多智能体就像是一个“小团队”，每个智能体有明确分工，可以互相协作。
• 优势：

1.效率更高： 不同Agent并行工作，整体速度更快。

2.质量更好：专门的测试/优化Agent可以减少bug、提高产出质量。

3.可扩展性：能把一个大任务拆解成子任务，组合出更复杂、更完整的系统。

Q2：未来多智能体协同技术最令人兴奋的发展方向是什么？

A2：

1.智能体团队化：一个人就能“带”一支虚拟团队，从产品到开发到测试都能自动化完成。

2.跨领域协作：不仅限于写代码，还能在设计、运营、教育、科研等领域发挥作用。

3.自组织系统：未来的智能体不只是被动执行，还能主动发现问题、提出改进建议，甚至形成“虚拟公司”的雏形。

4.人与智能体共创：人类更像“导演”，智能体们是“演员”，这种模式会极大提升创造力和生产力。

Q3：作为一名开发者，该如何触发和使用多智能体协同功能？是需要复杂的配置，还是可以自然语言交互？

A3：并不需要自己去设计复杂的多智能体架构。一般来说，多智能体协同功能会被封装在代码助手或IDE插件的内部逻辑里，只需要通过自然语言交互触发即可。比如：

• 直接提出一个复杂需求（“帮我实现登录功能，并生成测试用例”），系统会自动拆解任务并分配给不同的智能体协作完成。
• 也可以通过简单指令来指定角色（“生成代码”“检查安全问题”“写测试”），由不同智能体分工处理。
• 如果需要更细的控制，平台可能提供轻量级配置（如启用/关闭某类智能体，调整优先级）。

换句话说：默认情况下只需自然语言就能使用协同效果；如果你想定制工作流，通常会有简单的配置功能可供调整。如果再想调用更多能力，比如定制自己的MCP或者某些场景的rules，可能才需要部分开发和调试工作。

Q4：在Comate的多智能体系统中，通常包含哪些角色，他们是如何分工的？

A4：

Architect 智能体

特点：不直接调用Tools，仅能调用其他 Agent。擅长在多个Agent 之间进行编排和分工，设计合理的执行顺序与依赖关系。通过高层次调度，让各个 Agent 协同完成复杂任务，确保整体产出符合架构与质量要求。

适用场景：跨多个 Agent 的复杂需求，如 端到端项目交付、涉及规划+编码+测试的综合任务，或需要统一把控规范与质量的场景。

Deep Read 智能体

特点：仅调用文件读取与目录分析工具，不会修改本地代码。能够深入解析项目逻辑、依赖与规范，快速提取核心信息并生成总结或解读报告。

适用场景：接手陌生项目、阅读复杂代码库、理解第三方库或遗留系统，以及需要快速建立上下文认知的场景。

Actor 智能体

特点：不与用户进行过多需求澄清，聚焦在编码实现，通过直接通过修改文件、调用终端，模拟开发者执行具体任务。

适用场景：需求清晰、任务明确的小型编码或执行任务。

Zulu智能体

特点：启用所有内置Tools和当前项目安装的 MCP工具，擅长自主探索用户需求、完成多文件编辑、端到端完成任务。

适用场景：代码结构复杂、文件改动量大的需求。

Plan智能体

特点：擅长分析复杂需求，与用户协同澄清并完善需求，并将拆解步骤输出到 plan.md 文件中。通过提前梳理需求，确保后续生成的代码更贴合预期，提升整体效率。

适用场景：重构或需要完整规划的复杂需求。

UT智能体

特点：识别代码结构和单测框架，自动生成符合项目风格的单测代码，同步提供覆盖率报告。帮助发现潜在 bug，提高代码质量。

适用场景：逻辑边界复杂、质量要求高的开发任务。

Figma2Code智能体

特点：智能识别 Figma元素，高保真还原设计稿，自动生成可运行的前端代码。大幅缩短设计到开发的周期。

适用场景：基于 Figma 设计稿的前端开发需求。

Q5：对于初学者来说，使用文心快码多智能体协同功能，是会更轻松地学会编程，还是会产生依赖？

A5：这是个很好的问题，如下：

• 更轻松地学习：多智能体协同能帮初学者完成环境搭建、代码生成、自动调试，这样他们能更快看到成果，减少挫败感，带来“正反馈”，从而提高学习动力。
• 潜在依赖风险：如果完全依赖智能体生成代码，而不去理解原理，可能会出现“能写不能改、能跑不能解释”的情况。

所以更推荐的方式是，对于初学者：

1.把智能体当作“助教”，用它来讲解代码思路、拆解任务。

2.先尝试自己写，再让智能体帮忙检查和优化。

3.关注学习过程，而不仅仅是结果。

作者： 文心快码资深工程师，文心快码产品经理