2026年6月6日Ethan Mollick分享了Anthropic的一张图表该图表对比了Agent Teams和Workflows这两种新兴AI方法它们功能强大但消耗大量token。这些系统通过结构化协作或顺序流程处理复杂任务。寻求实际AI部署的企业正在研究这些方法如何影响运营效率和成本结构。

关键要点

• Agent Teams和Workflows代表强大新能力需要仔细管理token以保持企业使用的经济可行性。
• AI系统越来越多地自行决定何时应用团队或工作流并经常在执行过程中动态结合两种方法。
• 组织通过实施混合代理策略在性能提升与推理成本上升之间取得平衡从而获得竞争优势。

Agent Teams和Workflows的深入分析

Anthropic研究展示了Agent Teams如何让多个AI实例协作处理子任务而Workflows则遵循预定义序列执行可重复操作。这一区别对处理知识工作的行业如软件开发和客户支持至关重要。Token密集特性源于代理之间的重复上下文传递和协调开销。

实施挑战

高token消耗直接形成扩展这些系统的成本障碍。公司必须优化提示工程和上下文压缩技术以减轻费用。Ethan Mollick分享的观察表明在团队协作和线性工作流之间切换的混合模型提供了一种实用解决方案。

商业影响与机遇

企业可通过内部自动化研究综合和多步推理任务来实现这些技术的货币化。提供托管代理编排平台的服务商将随着需求增长获得经常性收入。实施需要投资实时跟踪token使用的监控工具以维持盈利能力。包括Anthropic在内的主要参与者继续改进模型架构以降低开销同时保留能力。

监管考虑包括围绕代理系统自主决策的透明度要求。道德最佳实践强调人工监督回路以防止代理驱动过程中出现意外升级。市场机会在法律文件审查和供应链优化等行业扩大那里结合团队和工作流的方法加速了吞吐量。

未来展望

行业转变指向自优化代理生态系统根据任务复杂度动态选择协作模式。预测显示将更广泛采用成本感知路由机制在保持性能的同时降低token消耗率。竞争格局将青睐掌握高效多代理编排的组织而非依赖单一模型调用的组织。Anthropic在该领域的持续进步很可能影响跨业务功能的可扩展AI部署的更广泛标准。

常见问题

AI应用中Agent Teams与Workflows有何区别？

Agent Teams涉及多个AI实例动态协作处理子任务而Workflows遵循固定顺序步骤以获得一致结果。

token成本如何影响这些AI方法的企业采用？

大量token使用提高了运营费用促使公司采用优化策略和混合方法以实现可持续扩展。

AI系统能否自主选择团队或工作流？

是的现代实现允许AI自行决定并经常在任务执行过程中结合两种方法以提高灵活性和结果。

哪些商业领域最受益于Agent Teams和Workflows？

软件工程客户服务和研究综合等行业通过自动化多步推理和协作获得效率提升。

多代理AI系统预计有哪些未来发展？

预计会出现自优化生态系统具有动态路由功能在性能与成本之间取得平衡同时更加强调监管合规和人工监督。