第 9 篇的 Agent 深拆建立在单体假设上：一个模型、一个循环、一套上下文。多智能体深拆动的正是这个假设——把"一个助理"换成"一支团队"：主管拆解任务，工人并行执行，结果汇总合成。这个架构在真实系统里大放异彩（深度研究、跨仓库改码），也在大量实验里输给单体——同一笔 token 预算下，多智能体的通信开销经常吃掉分工收益。本篇拆清它什么时候是杠杆、什么时候是税。

一、为什么拆：单体的三堵墙

多智能体的动机不是拟人化的"团队"，而是第 9 篇遗留的三堵墙。上下文墙：一个任务的全部工作集（代码库、合同、检索结果）装不进一个上下文窗口，或装进去了但中段遗忘（第 7、11 篇）——分区是唯一的出路，每个智能体只背自己工位的上下文。错误率墙：N 步任务成功率随步数指数衰减（第 9 篇的老公式），而多智能体的检查点天然提供容错——一个工位失败，主管重派，不至于整单重来。注意力墙：单体在一百个工具和子任务间切换，指令遵循精度随选项数下降；角色化把每个智能体的决策面收窄到一个岗位（第 9 篇的"系统提示即人格文件"在这里升级成"系统提示即岗位说明书"）。

二、编排模式：拓扑即架构

deforchestrator(task):plan=lead.decompose(task)# 拆解: 接口即契约briefs=[ctx_brief(sub)forsubinplan.subtasks]# 工位上下文, 非全量results=parallel([worker(brief)forbriefinbriefs])returnlead.synthesize(compress(results))# 摘要回传, 不回传全量

工程要点有两个反直觉处。其一，拆解质量决定上限：主管的子任务划分就是系统的模块边界，划分错了，后面所有并行的力气都在为错误的结构付费——这与软件工程的老律同构：架构错误无法用更多人力并行弥补（布鲁克斯）。其二，回传必须压缩：工人把全量发现塞回主上下文，等于把上下文墙原样搬回主管面前；正确姿势是结构化摘要+证据指针（第 10 篇 RAG 的老手艺——回链接不回正文）。

三、通信税与失败模式

多智能体的核心成本是令牌税：每个智能体启动即重读自己的工作包，工人越多，全系统的 KV 计算越是一次乘法（第 5、19 篇的经济学直接平方化）。所以多智能体的净增益公式里，分母永远是通信开销——同预算对照实验里单体经常获胜的原因就在此。失败模式有三种典型：电话游戏（接力传递时每一站丢一点保真度，链越长失真越大，故链形拓扑要配检查点校验）；目标漂移（每个子智能体把自己子任务的目标优化到失真——第 21 篇 Goodhart 的分布式版本，子任务各交一份"看起来对"的答卷）；死锁与乒乓（两个智能体互相等对方、互相改对方的产物）。而"多个模型互相校对是否更准"有明确的成立条件：必须存在一个可判的裁判（评委、测试、多数决）——第 21 篇辩论逻辑的复用：没有验证器的多智能体只是把一个模型的幻觉分发给更多人附和。

四、涌现与科斯边界

分工真的"涌现"吗？诚实的答案：分配通常涌现，能力不会。CAMEL、MetaGPT 类实验显示角色扮演能让行为分化（谁查证、谁执笔、谁挑错），但分化来自提示里写明的职责，而非智能体自发长出专长——涌现的是协作结构，不是新能力。多智能体真正的涌现收益在搜索空间：并行多路径相当于更好的采样（第 8 篇 best-of-N 的结构化版本），赢在找到单体没搜到的解，而不是每条路径本身更强。

收束回到第 20 篇的深层合流：科斯当年用交易成本解释企业的边界——市场协调有成本，成本高到某个点，企业就用科层替代市场。多智能体系统正在重演同一道题：单体协调靠上下文，多体协调靠令牌税——智能体的组织边界由令牌税与上下文墙的比值决定，正如企业的边界由交易成本与管理成本之比决定。第 20 篇说人类组织的刚度决定 AI 渗透；本篇补上后半句：AI 自己的组织形态，也在按同一套经济学成形。

一句话收束：多智能体不是"更聪明的团队"，是一笔明码标价的交易——用令牌税买上下文分区、并行搜索与容错检查点。值得买的时机：任务可分解、工位可并行、失败可隔离、且存在裁判。其余时候，最好的团队规模是一。