陈建平陈建平
← Research
Judgment Engineering#Agent架构#知一AI#系统设计

我为什么给知一 AI 配一个 Chief Agent,而不是一个大模型

2026-10-30

一个强模型加一套好提示词看起来很省事,但它会在上下文、定位和责任三件事上失准。1+6 的分工不是复杂化,是为了可验证。

做知一 AI 时,最常被问的问题不是"效果怎么样",而是:

"为什么不直接用一个强模型加一套好提示词?"

这个问题问得很对。单 Agent 方案更简单、开发更快、维护成本更低。我最初也是这么想的。

后来放弃了,是因为碰到了三个绕不过去的问题。

问题一:上下文的串味

一个大模型要同时做市场研判、增长策略、内容生产、传播增长、销售辅助、数据复盘。

这六件事需要的上下文完全不同:

  • 市场研判需要行业数据、竞品动作、客户画像
  • 内容生产需要品牌调性、平台规则、历史素材
  • 数据复盘需要转化漏斗、渠道归因、周期对比

把它们塞进同一个上下文窗口,最先出问题的是注意力:模型会不自觉地用市场分析的腔调写文案,或者用内容生产的思路去做归因。

它看起来什么都懂一点,但每一件都做不深。

问题二:定位不到错在哪

这是我在实际使用中最头疼的。

单 Agent 方案,最终产出是错的,但你不知道错在哪一环——是输入理解错了、判断标准错了、还是生成环节跑偏了?

因为整个过程是一个黑箱,你只能整体重跑一遍,祈祷这次对。

无法定位问题,就无法迭代。 这不是体验问题,是工程问题。

问题三:责任边界模糊

一套提示词管六件事,意味着没人能说清"哪一段逻辑属于谁"。

今天改一句提示词提升了内容质量,明天可能让策略判断变差——因为你动的是一个共享的东西。

这种耦合在原型阶段无所谓,一旦要长期维护,就是灾难。

所以选了 1+6

架构很简单:

一个 Chief Agent 做调度,六个专业 Agent 做执行。

Chief Agent 不产出任何业务内容,它只做三件事:拆解任务、分派给对应 Agent、汇总结果。

六个专业 Agent 各管一段:市场研判、增长策略、内容生产、传播增长、销售辅助、数据复盘。

这个设计的三个好处

一、每个环节的输入输出是确定的

职责清楚,就能定义接口。定义了接口,就能验证——这个 Agent 的产出合格不合格,有明确标准,不用整体跑一遍才知道。

二、出问题能定位到具体环节

产出的结果不对,可以先查是哪个 Agent 出的问题,再查是它收到的输入不对,还是它自己的逻辑不对。范围缩小了,才谈得上迭代。

三、可以单独升级某个模块

内容生产的规则改了,只动内容 Agent,其他五个不受影响。这对长期维护来说,比省下的开发时间值钱得多。

代价也很实在

我不是在说 1+6 一定更好。它的代价同样明显:

  • 复杂度上升:六个模块 + 一个调度,接口数量是单 Agent 的数倍
  • 调度本身会出错:Chief Agent 判断错了任务归属,整个流程就跑偏
  • 维护成本高:每加一个模块,都要重新定义它和调度器的关系

这些都是真实的成本。选择它,是因为我在意的是可验证性和可迭代性,而不是上线速度。

一个判断标准

什么情况下该用单 Agent,什么情况下该用多 Agent?

我的标准是:看这件事的环节能不能分开。

  • 能分开 → 用 1+N 分工,每个环节可验证、可迭代
  • 分不开 → 用一个模型更好,因为强行拆分只会制造假接口

高度创造性的工作(比如从零构思一个品牌定位),环节往往是纠缠的,拆开反而失真。

而营销增长这类工作,环节清晰、前后有依赖、每段都能单独评价——正是适合拆的类型。

最后

架构选择没有标准答案,只有取舍。

选 1+6,不是因为它更先进,是因为它让我知道哪里错了。

对一个要长期运行的系统来说,知道哪里错了,比一次跑得漂亮更重要。