Multi-Agent 的概念直覺上很有說服力：把複雜任務分給多個 AI 同時處理，比一個 AI 跑應該快很多。但 2026 年初的研究結果比這個直覺複雜：Multi-Agent 的效能可以比 Single Agent 高 90%，也可以比 Single Agent 差 70%，而且決定是哪種結果的，不是任務有多複雜，是任務的結構。搞清楚這個差別，才知道什麼時候加 Agent 真的有用。
Multi-Agent 真正實用的場景
Anthropic 在 2026 年公布了他們自己的 Multi-Agent 研究系統，架構是一個 Claude Opus 4 當主控，搭配多個 Claude Sonnet 4 子 Agent，在內部研究評測上比單一個 Claude Opus 4 高出 90.2%。
這個效能差距從哪來的？多個 Agent 可以同時展開不同方向的調查，分別讀不同資料、分析不同面向，最後才匯整。每條線都是獨立的，不需要等彼此。
金融分析就是個好例子：一個 Agent 查最近的合併新聞、另一個分析財報、第三個評估市場影響，三件事不互相等待，同時跑。這種架構在測試中讓效能提升了超過 80%。
加 Agent 反而變慢變差的情況
加 Agent 反而變慢變差的情況是規劃型任務。同一批研究跑了 260 種架構設定，在規劃任務上，Multi-Agent 讓效能下降了 70%。
規劃任務的每一步都要等上一步的結果，沒有可以同時跑的線。多個 Agent 在這種結構下只是多了交接和等待，把應該直線跑的推理流程切碎了。
出錯之後的影響也更大：多個 Agent 各自獨立運作時，錯誤的放大倍率是 17.2 倍；就算有主控 Agent 協調，也有 4.4 倍。Single Agent 出錯，就只是那一個點的問題。
「任務複雜」跟「需要多個 Agent」是兩件事。複雜但必須按順序跑的任務，加 Agent 只會讓事情更亂。
怎麼判斷幾個 Agent 才夠
判斷的問題只有一個：這個任務的不同部分，可以完全獨立同時進行嗎？
能平行拆分，Multi-Agent 才有意義。不能，先用 Single Agent。
成本也需要算進去。以普通聊天為基準，Single Agent 因為要調用工具、多步驟執行，token 用量多了大約是 4 倍；Multi-Agent 同時跑多個 Agent，多了大約是 15 倍。如果是跑大量任務的企業情境，這個差距在帳單上會很明顯。
還有一個常被忽略的替代方案：給單一 Agent 設計清楚的技能庫（Skills），讓它知道遇到不同任務時選用哪個工具。2026 年初的研究顯示，這個做法可以讓 token 用量降低 53.7%、延遲減少 49.5%，效果接近 Multi-Agent 架構，但成本低很多。Multi-Agent 的部分優勢其實來自它消耗了更多算力，不是架構本身多加了什麼。
如果你現在在用 Claude Code 或其他 AI 工具，操作上的起點是：先把單一 Agent 的工具和指令設計清楚，確認瓶頸真的是「需要同時做多件彼此獨立的事」，再考慮拆成 Multi-Agent。
