OpenAI Multi-Agent：让一个 AI Agent 变成一个自动协作团队

最近，OpenAI 在 Responses API 中推出了 Multi-agent（多 Agent）能力。它让一个模型不再局限于单线程执行任务，而是可以像一个项目负责人一样：

• 拆解复杂任务；
• 创建多个子 Agent；
• 分配不同职责；
• 并行执行；
• 汇总结果。

这意味着 AI Agent 正从：

“一个聪明的助手”

逐渐演变为：

“一个能够组织 AI 团队完成工作的智能系统”。

---

一、传统 Agent 的瓶颈：单 Agent 执行复杂任务

过去的大多数 Agent 架构：

本质上都是：

User
 |
Agent
 |
Tool
 |
Result

例如一个 Coding Agent：

用户：

帮我优化这个项目性能

Agent：

1. 阅读代码；
2. 分析瓶颈；
3. 修改代码；
4. 运行测试。

所有工作都由一个 Agent 完成。

这种模式的问题：

1. 上下文容易膨胀

大型任务通常包含：

• 大量代码文件；
• 文档；
• 日志；
• 工具输出。

全部放入一个 Agent 上下文：

会导致：

• Token 消耗增加；
• 注意力稀释；
• 推理质量下降。

---

2. 无法真正并行

例如代码 Review：

需要检查：

• 安全问题；
• 性能问题；
• 测试覆盖；
• 架构问题。

单 Agent：

只能：

安全分析
  ↓
性能分析
  ↓
测试分析

顺序执行。

---

3. Agent 角色不明确

一个 Agent 同时负责：

• 规划；
• 编码；
• 测试；
• Review。

容易出现：

“既当开发，又当审查者”。

---

二、Multi-agent 的核心思想

OpenAI Multi-agent 引入：

Agent 可以创建其他 Agent，并协调它们完成任务。

架构变成：

                 Root Agent
                     |
        +------------+------------+
        |            |            |
   Researcher    Coder       Reviewer

其中：

Root Agent

类似：

项目负责人。

负责：

• 理解用户目标；
• 拆分任务；
• 创建 Subagent；
• 汇总结果。

---

Subagent

类似：

专业成员。

例如：

Research Agent

负责：

• 查资料；
• 阅读文档；
• 分析背景。

Coding Agent

负责：

• 修改代码；
• 实现功能。

Review Agent

负责：

• 找 Bug；
• 安全检查；
• 质量评估。

---

三、OpenAI Multi-agent 如何工作？

OpenAI 将 Agent 协调能力直接集成到了 Responses API。

开发者不需要自己实现：

• Agent 创建；
• Agent 通信；
• Agent 生命周期管理。

只需要开启：

multi_agent={
    "enabled": True
}

模型就获得：

创建 Subagent 的能力。

---

例如：

用户：

Review 一个大型 Pull Request

Root Agent 可以自动拆解：

Root Agent

任务：
Review PR

       |
       +--- Security Agent
       |
       +--- Correctness Agent
       |
       +--- Testing Agent

三个 Agent 并行分析。

最后：

Root：

合并：

• 重复问题；
• 冲突意见；

输出最终 Review。

---

四、Multi-agent 最大价值：并行执行

这是 Multi-agent 和普通 Agent 最大区别。

假设：

代码库分析：

需要：

1. 分析后端
2. 分析前端
3. 分析数据库

单 Agent：

Backend
  |
Frontend
  |
Database

耗时：

30分钟。

Multi-agent：

        Root

    /     |      \

Backend Frontend Database

三个任务同时运行。

耗时：

接近：

最长任务时间。

---

五、为什么需要 WebSocket？

Multi-agent 场景下：

HTTP 存在一个问题。

例如：

Agent 调用工具：

Agent

调用数据库

↓

等待结果

HTTP：

需要：

1. Response 结束；
2. 客户端执行工具；
3. 创建新的请求；
4. Agent 恢复。

流程：

Agent暂停

↓

HTTP结束

↓

执行工具

↓

重新请求

↓

Agent继续

---

WebSocket：

保持长连接。

流程：

Agent暂停

↓

工具执行

↓

response.inject

↓

Agent继续

不需要重新创建 Response。

对于：

• 多 Agent；
• 长任务；
• 多工具调用；

可以减少大量协调开销。

---

六、Multi-agent 的 Agent 通信机制

OpenAI 提供了一组内部协作能力：

1. spawn_agent

创建新的 Agent。

例如：

Root

spawn

↓

Research Agent

---

2. send_message

Agent 之间通信。

例如：

Research Agent:

发现数据库连接池存在瓶颈

↓

发送给 Root

---

3. followup_task

给已有 Agent 分配新的任务。

例如：

Review Agent

第一次发现问题

↓

继续分析修复方案

---

4. wait_agent

等待其他 Agent。

---

5. interrupt_agent

中断 Agent。

---

6. list_agents

查看当前 Agent 树。

例如：

/root

/root/researcher

/root/reviewer

/root/reviewer/tester

---

七、Multi-agent 与 Claude Code Teammate 的区别

很多人会发现：

OpenAI Multi-agent 和 Claude Code 的 Teammate 非常类似。

能力	OpenAI Multi-agent	Claude Code
主 Agent	Root Agent	Lead Agent
子 Agent	Subagent	Teammate
任务拆分	模型自动完成	Orchestrator 管理
通信	API 内置	文件/MCP/消息
生命周期	服务端管理	客户端管理
并发控制	max_concurrent_subagents	team 配置

---

核心区别：

OpenAI

更偏：

模型驱动 Agent 协作

也就是说：

模型自己决定：

• 是否拆任务；
• 创建几个 Agent；
• 如何协调。

---

Claude Code

更偏：

应用层 Agent 编排

开发者：

自己控制：

• Agent 生命周期；
• 任务分配；
• 通信方式。

---

八、什么时候不要使用 Multi-agent？

Multi-agent 并不是越多越好。

1. 强顺序任务

例如：

写代码

↓

编译

↓

修复错误

↓

重新编译

前一步决定后一步。

单 Agent 更合适。

---

2. 共享状态频繁修改

例如：

多个 Agent：

同时修改：

same_file.py

容易产生冲突。

---

3. 简单任务

例如：

帮我总结这篇文章

启动多个 Agent：

反而：

• 更慢；
• 更贵。

---

九、未来趋势：Agent 从单体走向团队

过去：

LLM
 |
用户

现在：

用户

↓

Agent

↓

Tools

未来：

用户

↓

Manager Agent

↓

+ Research Agent

+ Coding Agent

+ Testing Agent

+ Review Agent

+ Planning Agent

AI 系统会越来越像软件工程团队。

---

总结

OpenAI Multi-agent 的意义并不是简单地：

“多调用几个模型”。

真正变化的是：

Agent 开始拥有：

• 任务拆解能力；
• 组织能力；
• 协作能力；
• 并行执行能力。

它让 AI Agent 从：

一个执行任务的智能体

升级为：

一个能够管理多个专业智能体完成复杂工作的 AI 系统。

对于未来的 Coding Agent、企业自动化 Agent、知识库 Agent、多 Agent 创作系统来说，Multi-agent 将成为非常重要的基础架构能力。