Kimi Agent Swarm
来自 Kimi Blog · 期号 2026-02-09
摘要
单个 AI agent 处理长任务时，上下文窗口会填满，后续推理质量下降。Kimi 的思路不是把单个 agent 做得更强，而是让它自己组建团队。 用户给一个指令，Agent Swarm 会自行招募最多 100 个子 agent，并行执行超过 1500 次工具调用，比串行执行快 4.5 倍。子 agent 可以独立得出结论，再强制汇总，从结构上避免群体思维。 适用场景包括大规模信息搜集（如从 100 个 YouTube 小众领域各找前 3 名创作者）、长文档处理（从 40 篇 PDF 生成 100 页文献综述）、以及多角度分析（让不同风格的专家同时评审一个产品方案）。 目前作为早期研究预览向顶级订阅用户开放。
深读
导读 Kimi 团队提出 Agent Swarm，核心思路不是把单个 agent 做得更强，而是让它自己组建团队，用户给一个指令，系统自动招募最多 100 个子 agent 并行工作。读完能理解为什么单 agent 的上下文窗口和串行执行是结构性天花板，以及水平扩展（让 agent 自己设计组织架构）在哪些场景下能带来 4.5 倍的效率提升。 关键信息 - Agent Swarm 基于 Kimi K2.5 模型，可部署最多 100 个子 agent 并行执行，单次任务支持超过 1500 次工具调用。 - 相比串行执行，Agent Swarm 在并行任务上快 4.5 倍。 - 实际案例包括：从 100 个 YouTube 小众领域各找前 3 名创作者、从 40 篇社会心理学 PDF 生成 100 页文献综述、让 20 位不同文学风格的作家续写《三体》。 - 目前作为早期研究预览向顶级订阅用户开放，后续计划引入子 agent 间直接通信和并行宽度的动态控制。 逐节讲解 单 agent 的推理天花板 文章指出当前 AI 推理的真正瓶颈不是模型智能本身，而是单 agent、串行执行的架构。当任务变长（long-horizon tasks），上下文窗口被填满，系统只能靠历史折叠或摘要来腾出空间，这种压缩是有损的，后续推理质量必然下降。作者认为这不是 bug 或暂时限制，而是上下文窗口、时间和单 agent 管理长程推理能力共同构成的结构性天花板。 水平扩展：从一把锤子到一间作坊 传统 AI 叙事一直围绕垂直扩展（更大模型、更多参数、更高 benchmark 分数），但垂直扩展有物理、经济和智力上的天花板。水平扩展的逻辑不同：一个模型是一个专家，一个自组织网络可以成为一家公司、一个实验室。文章用一个内部故事说明这个转折点：一位团队成员想用 Kimi 自动收集股票信息，写了一个 Python 工作流（层层 if-else 判断），写到第 100 行时意识到自己正在手写一个多 agent 系统，既然模型已经能用工具、能处理长任务，为什么不让它们自己设计架构、决定何时并行、雇佣谁、如何委派？ 三个典型场景 大规模发现：从 100 个 YouTube 小众领域各找前 3 名创作者，Agent Swarm 先研究并定义每个领域，然后自动创建 100 个子 agent 并行搜索。另一个例子是收集散落在个人网站、旧博客、演讲转录中的 200 多篇 Paul Graham 文章，子 agent 分工搜索、下载、分类、摘要，最终整理成 6 个主题文件夹并生成综合报告。 大规模输出：从 40 篇社会心理学 PDF 生成 100 页文献综述。Agent Swarm 将任务分解到整个文档集上，部署多个写作子 agent，各自负责特定章节，输出被合成为双栏学术文档，包含完整的引用和参考文献。 多…