这个 Agent Team，终于不是"角色扮演"了
这个 Agent Team，终于不是"角色扮演"了
来源：htmlDecode("AI产品黄叔")
原文链接：https://mp.weixin.qq.com/s/jSBg3-63n-ks3b5W-jzubg
大家都知道黄叔对Skill的研究很多，2月份在社群里就已经教了Agent Team这个能力：
但今天我发现了一个更牛的Agent Team逻辑。
是的，这两天黄叔在测MiniMax 新出的 Agent Team。测完后，已经决定要在这周五的直播课上教大家去安装和使用！只有真的好的黄叔才会去在课程里面教！
它真正想解决的，是一个很多人已经被折磨过的问题：
你让 AI 干一个稍微长一点的活，它为什么总是干一半就停下来？这个问题即使是我用Opus，调用Agent Team也会偶发！
Skill的Agent Team也更多是通过提示词来进行控制，而且也仍然只是一个实验性质的能力。
我测了几个case之后发现MiniMax的Agent Team模式还真有点不一样。
我第一个测试，是让它做一次深度研究
我给 MiniMax Agent Team 下的第一个任务很简单：
帮我深度研究 MiniMax 这个公司的情况。
如果是普通 AI，大概率会给你一篇结构还算完整的公司介绍。公司背景、产品、融资、竞品、机会风险，几个模块拼一拼，就能看起来像一份报告。
但 Agent Team 的处理方式不太一样。
它没有直接开始写。
它先把任务发给了一个“深度研究总控”，然后把研究维度拆出来：公司基本盘、核心产品矩阵、技术能力、商业模式、竞争优势和风险、创始人背景。
这一步很关键。
因为研究这件事，最大的问题是“查偏了还不知道”。
单个 Agent 很容易沿着第一个搜索结果一路滑下去。开头的判断错了，后面的内容看起来越完整，问题反而越大。
Agent Team 的价值在这里就出现了：它不是让一个 AI 把所有事都干掉，而是把研究拆成多个通道，再由总控把结果收回来。
我看到它的分工里有几个角色：
深度研究总控
├── Source Hunter：找资料
├── Fact Checker：验资料
├── Gap Analyst：判断信息差
├── Knowledge Compiler：沉淀知识
这就不像一个“AI 助手”了。
更像一个很小的研究小组。
这里我最有感的一点是：多 Agent 的重点不是“多”，而是“不同角色之间有没有制衡关系”。
如果只是 5 个 AI 同时写 5 段内容，最后合在一起，那只是拼稿。
但如果有人找资料，有人验资料，有人判断信息差，有人负责最后表达，这个系统才开始像一个真正的团队。
第二个测试，是整理一场 4.1 万字的会议
第二个任务更真实。
我把之前参加的一场少儿 AI 辩论赛逐字稿导出来，差不多 41000 字，扔给 MiniMax Agent Team，让它帮我整理。
这种任务非常适合暴露单 Agent 的问题。
因为会议整理不是简单摘要。
它至少要同时完成几件事：识别讲者，提炼主题，抽取结论，区分讨论过程和已经确认的共识，整理资源清单，还要发现那些被埋在长对话里的隐藏价值点。
如果一个 Agent 从头到尾自己做，很容易发生两种情况。
要么变成流水账。
要么过度总结，把原本有张力的争论揉成几句正确废话。
MiniMax Agent Team 给我的分工是这样的：
你看，这才是 Agent Team 应该有的样子。每个角色面对的是不同的质量标准。
结构师关心“有没有听清楚”。
决策提取员关心“到底形成了什么结论”。
隐藏价值挖掘员关心“哪些信息别人会漏掉”。
这几种目标函数是不一样的。
所以它们放在一起，才有价值。
最后它给我生成了一份 10 页 PDF。不是那种大段文字糊在一起的总结，而是有核心结论、操作指南、关键资源、隐藏价值点、讲者地图和高密度金句。
相同的会议内容和提示词，我都给到了我用Codex接入的Hermes Agent。
仔细阅读你会发现， Minimax的Agent Team给出的结论以及洞察，都明显更加清晰，我们更别提它的可读性了。这点很牛！
更有意思的是后面。
它不是一次生成就完了。
我看到 MiniMax的Agent Team完成任务后，它还会自动的用verifier Agent进行校验，并指出了几个需要修正的点：
比如转写里把“老五”误写成了“吴弗”，有些贡献讲者被遗漏，还有一些表达属于推断性总结，不应该写得像原话。
然后它真的把这些问题修正了，再合成最终 PDF。
这件事给我最大的感受是：Agent Team 真正重要的不是产出更快，而是它开始有了“验收”。
过去我们用 AI，经常是看它给的答案像不像。
像，就先用了。
但在正式工作里，“看起来像”是不够的。
会议纪要里人名错了，就是错。
把讨论过程写成确定结论，就是错。
漏掉关键贡献者，也是错。
单 Agent 自检当然也可以做，但它检查的是自己刚刚构造出来的现场。你让一个人给自己的试卷打分，他也可能很认真，但结构上就不可靠。
所以我越来越认同一个判断：
Agent Team 的核心不是流水线，而是对抗式质量门禁。
Worker 负责把事情做出来。
Verifier 负责说“不行，这里有问题”。
Leader 再判断要不要返工、怎么返工、什么时候可以交付。
这才像一个能交付的系统。
第三个测试，是做直播数据分析
第三个任务，我拿了一份视频号直播历史数据 CSV 给它。
我的要求是：看看内容表现怎么样，下一步怎么优化，再顺手生成一个以后能复用的分析脚本。
这类任务更贴近普通人的日常。
你手里有一张表，里面有观看、成交、主题、时长、内容类型。
你不是真的想要一个“数据摘要”。
你想要的是：我下一场到底该怎么做？
图6：数据分析团队
这个分工很有意思。
因为大多数人用 AI 分析数据时，只会问：“帮我分析一下这张表。”
AI 也会很配合地生成一堆看起来挺专业的东西：趋势、分类、建议、结论。
但问题是，数据分析真正值钱的地方不在“总结表格”，而在“ 发现动作 ”。
哪些内容类型带货贡献最高？
哪些直播看起来热闹，但没有转化？
哪些场次应该停掉？
下一场直播应该几点开，讲多久，带什么产品？
这些才是业务问题。
最后它给到的报告里，有一个判断让我印象很深：
Skill 系列贡献了大部分带货收入，但内容类型过于单一，一旦这类内容吸引力下降，整体收入会下滑。
还有一个判断是：闲聊欢迎类直播场均观看不高，也没有带货，建议停掉。
这就不是“你本月观看人数上涨了 23%”这种漂亮废话。
它开始进入业务取舍了。
当然，这里也要冷静一点。
Agent Team 不是魔法。
它会更慢，也会更贵。
因为多个 Agent 协作一定有成本：交接成本、共享成本、聚合成本。
一个人查资料，另一个人写报告，中间就需要交接。
所有人都要知道背景，就会消耗共享上下文。
最后把多个结果合成一个统一交付物，也需要额外成本。
所以不是所有任务都应该开 Team。
改错别字，查一个小问题，生成一段普通文案，单 Agent 就够了。
但如果任务很长、链路很多、结果需要验收、经验还值得复用，那 Team 就开始有价值。
这也是我对 MiniMax Agent Team 的一个核心判断：
它不是给简单任务提速的工具。
它是给复杂任务兜底的系统。
多 Agent 不是写几段 prompt
以前很多人理解多 Agent，会把它想成“写几段 prompt，让 AI 分别扮演老板、员工、专家”。
这个思路做 demo 可以。
但真实工作不够。
我也是使用Cloud Agent Skill里面的Agent Team能力多了之后，意识到它的上限还是很明显的。
因为真实团队协作需要一堆 prompt 之外的东西：
任务做到哪一步了？
谁卡住了？
谁有权限改文件？
谁负责验收？
失败后要不要重试？
中间产物放在哪里？
下次遇到同类任务，能不能记住这次踩过的坑？
这些东西不是靠“你现在扮演一个严谨的专家”就能解决的。
MiniMax 技术报告里有个说法我挺认同： 多 Agent 系统是 runtime，不是 prompt 编排。
翻译成人话就是：真正的 Agent Team，不是几个 AI 在聊天，而是一套能管理状态、任务、记忆、验收和恢复的工作系统。
这也是为什么我这次更关注它的几个细节：
它能不能在微信里快速响应，同时后台慢慢干活。
它能不能把一个长任务拆成不同职责。
它能不能让 verifier 真的挑错，而不是礼貌性夸几句。
它能不能把这次任务里的经验写进 memory，下次少踩坑。
这些都比“同时启动了几个 Agent”重要。
写在最后
过去两年，我们总在追一个更聪明的 AI。
更大的模型，更长的上下文，更强的推理，更便宜的价格。
但这次试完 MiniMax Agent Team，我有一个新的感觉：
当单个 Agent 已经足够聪明，下一个问题就不是“它还能不能更聪明”，而是“它能不能被组织起来”。
人类社会的效率从来不只来自单个天才。
更大的效率来自分工、协作、验收、记忆和复盘。
Agent 也一样。
一个 Agent 能做很多事，但一个有结构的 Agent Team，才能开始承接那些真正长、真正乱、真正需要交付质量的任务。
我不会说现在它已经完美。
它还有成本，简单任务没必要开 Team，复杂任务也很考验拆解和验收标准。
但方向我觉得是对的。
AI 不是只会回答问题的聊天框。
它正在变成一个可以被你管理的小团队。
这件事，可能比又一个新模型发布更值得普通人关注。