try Kimi

Agent Swarm能力

2026年1月27日，Moonshot AI正式发布了Kimi K2.5，引入了Agent Swarm能力。Agent Swarm是一个"水平扩展"架构，并非简单的多智能体协作，无需预定义角色或手工设计工作流程，能够自动协调大规模AI子代理协同工作。

2026年4月20日，Moonshot AI发布并开源 Kimi K2.6，由 K2.6 模型驱动的 Agent Swarm 架构迎来大升级：

  • 最多部署 300 个子智能体 同时工作
  • 单次任务执行超过 4,000 次工具调用
  • 相比单Agent顺序执行，速度提升 4.5倍

背后故事

2025年的AI领域，主流叙事长期聚焦于垂直扩展（Scaling Up）——更大的模型、更多的参数、更长的上下文窗口。然而，这种思路存在结构性天花板，始终受限于单一顺序执行的瓶颈。"就像木匠只有两只手、一天只有24小时。"

Agent Swarm 的诞生源于一个真实场景： 2025年6月，一位团队成员尝试让Kimi自动收集每日股票信息——检查宏观趋势新闻、查询历史涨停数据、条件匹配后深入分析。当她写到第100行if-else代码时突然意识到："我在手写一个多智能体系统。" 如果模型能使用工具、处理长程任务，为什么它们不能自我架构——决定何时并行化、雇佣谁、如何委派？"

Agent Swarm 是一个自我设计的组织结构——包含老板、员工和分工，但这个组织不是由人类设计，而是由AI自己设计。主Agent（主智能体）学会自主指挥一个最多包含 300 个子 Agent（sub-agent） 群体，执行最多 4,000 步的并行工作流，而主Agent（主智能体）则负责监督 15 个步骤。

image

Kimi Agent Swarm（智能体集群）通过PARL（Parallel-Agent Reinforcement Learning）训练方法，将 Kimi K2.6 的功能从单任务执行扩展到协同的多智能体协作。与单 Agent 方案相比，Agent Swarm 在大规模搜索场景中将完成目标所需的最少关键步骤减少了 3× 至 4.5×，折算为实际执行时间最高缩短 4.5 倍。

用一个实际案例来解释Agent Swarm 的运作机制： 当你提交一个复杂的请求时——例如，分析 100 个不同的 YouTube 细分领域以找出顶级创作者——系统不会按顺序处理。相反，它会生成 100 个独立的搜索专家，每个专家负责一个细分领域，并在他们完成工作后汇总结果。原本需要数天人工研究或数小时顺序 AI 处理才能完成的工作，现在只需几分钟即可完成。

如何使用

Kimi Agent Swarm产品入口

image

注意：目前，K2.6 Agent 集群还处于Beta（内测）阶段，仅Allegretto、Allegro会员可用。Agent 集群任务消耗的额度较高（约为普通 Agent 任务的数倍），具体取决于任务复杂度和子智能体数量。

操作步骤

  1. 向Kimi Agent Swarm 清晰地描述你的任务需求并发送。例如："收集200+篇Paul Graham 文章"、"进行100个细分领域Top 3创作者挖掘"等。系统进入自动执行阶段，实时查看任务执行进展
image
  1. 系统将在后台自动执行任务，你可以实时看到：
    • 创建任务清单，创建子代理并行执行任务
    • 推理和决策的逻辑链路
    • 调用的工具类型和执行步骤
    • 访问的网址和信息来源
    • 代码生成或分析的中间过程
    • Agent集群中每位代理的任务进展与结果
image
  1. 任务完成后，获取专业级别的交付成果
  2. 根据任务类型，Kimi Agent Swarm 会生成相应的输出，包含多个文件：
    • 代码项目：完整可运行的网站代码、应用程序等（包含 HTML、CSS、JavaScript）
    • 文件夹：任务执行过程中的所有过程文件
    • 数据分析：图表、趋势分析、关键指标的表格
    • 办公文档：Word 文档、PDF文档、Markdown文档、PPT 演示文稿等
  3. 预览、下载或分享产出成果
  4. 后续轮次切换至K2.6单Agent继续

使用案例

规模化探索

案例1：100个细分领域Top 3创作者挖掘 任务要求找出100个YouTube细分领域各自的Top 3创作者。K2.6 Agent Swarm首先研究并定义每个领域，然后自主创建300个子智能体进行并行搜索，最终生成包含频道名称、订阅数、描述的结构化表格和可视化图表。

image

任务执行结果：100 位子智能体（sub-agent）正在寻找创作者

查看结果

案例2：收集200+篇Paul Graham 文章 Paul Graham 的文章分散在个人网站、旧博客、转录演讲中。Agent Swarm指派专门的子智能体搜索、下载、分类、总结，最终将超过200篇原始文章整理进主题文件夹，并生成综合总结报告。

image

任务执行结果：收集200+篇Paul Graham 文章

查看结果

规模化输出

案例：从40篇PDF生成100页文献综述 K2.6 Agent Swarm 将任务分解到文档集合，部署多个写作专用子智能体，每个负责特定章节。最终输出一份100页、双栏的学术文档，包含完整格式化的引用和参考文献，以及方法分布饼图、引用网络分析图等可视化内容。

image

任务执行结果：Generate 100-Page Literature Review from 40 PDFs

查看结果

多视角分析

Agent Swarm 可以从结构上避免群体思维（Group think），创造条件让独立智能体得出不同结论，然后强制进行调和。 案例：产品发布策略专家审查 用户要求审查一款办公产品发布策略。Agent Swarm部署了专家子智能体团队，从不同角色提出了不同观点。

  • 资深产品经理：担忧技术债务
  • 怀疑型投资人：质疑单位经济模型
  • 客户成功负责人：捍卫边缘案例
image

任务执行结果：Get your product plan reviewed by a team of experts

查看结果

案例：《三体》20种文学风格续写 Agent Swarm创建了20位不同文学风格的"作家"子智能体——从弗吉尼亚·伍尔夫式的内心独白，到博尔赫斯式的思想迷宫，再到卡夫卡式的荒诞世界。每位"作家"独立创作，最终呈现出同一故事内核的多元叙事可能。

image

任务执行结果：Let 20 writers create alternative endings for The Three-Body Problem

查看结果

技术解析

AI 可以团队协作

核心架构：指挥官 + 专业队员，想象 Agent Swarm 像一支足球队：

  • 协调器（Orchestrator） = 教练/指挥官：负责看全局、定策略、分配任务
  • 子智能体（Sub-agents） = 场上队员：各自专注执行具体任务，比如前锋、后卫、守门员 关键设计：队员"冻结"，只练教练 训练时，所有"队员"（子智能体）保持原有能力不变，只有"教练"（协调器）通过强化学习变得更聪明。这样做有两个好处：
  1. 避免"功劳分不清"：当一个项目成功或失败时，很难判断是哪个具体环节出了问题。冻结子智能体后，所有功劳和责任都清晰归属于协调器的调度决策。
  2. 训练更稳定：如果所有队员同时改变打法，团队会乱套。只调整指挥官，确保协作体系稳步优化

并行思考

传统 AI 像一个人单打独斗，做完一步再做下一步。Agent Swarm 则像让多个专家同时开工。 防止两种"偷懒"行为：

  • 串行崩溃：指挥官懒得协调，把所有事都交给一个子智能体慢慢做，退化成单兵作战。
  • 虚假并行：指挥官为了刷"并行指标"，盲目拆出大量无意义的子任务，实际上没提升效率。 解决方案：三维度奖励机制 系统从三个角度评估指挥官的表现：
  1. 最终结果好不好（任务完成质量）
  2. 有没有真正并行（避免一个人干所有活）
  3. 子任务完成率（避免滥竽充数）

训练初期，后两个指标占一定权重，强制养成并行协作习惯；后期逐渐降低权重，让 AI 专注于把最终结果做到最好。

用关键步骤提高效率

怎么判断并行是否真的更快？Agent Swarm 引入了一个简单概念：关键步骤。 想象装修房子：

  • 串行做法：先等瓦工铺完砖，再等木工打柜子，最后油漆工进场——每个环节排队等。
  • 并行做法：瓦工、木工、水电工同时开工，整体进度取决于最慢的那个工种。 Agent Swarm 计算每个"阶段"中最慢的子智能体耗时，累加起来就是关键步骤总数。这逼着指挥官学会真正优化整体流程，而不是盲目拆任务。

AI 自我学习协作

研究人员没有直接告诉 AI"请并行处理"，而是通过任务设计引导：

  • 广泛搜索任务：需要同时查多个独立信息源（比如同时搜北京、上海、广州的天气）
  • 深度搜索任务：需要多条推理线同时进行，最后汇总结论 AI 在解决这类问题的过程中，自然发现"分头行动"比"一个人跑腿"更快，从而自发学会并行协作。

聪明的记忆力管理

长对话中，AI 常面临"记不住"或"记太多"的困扰。常见做法如：

  • 隐藏工具结果：不看中间过程
  • 摘要总结：压缩信息但可能丢细节
  • 丢弃所有：直接清空，彻底失忆 Agent Swarm 采用更聪明的方式：上下文分片（Context Sharding） 就像把大项目拆成几个独立小项目：
  • 每个子智能体只专注自己的"小本子"，记录相关细节
  • 各自思考，互不干扰，避免信息混乱
  • 只把关键结论汇报给指挥官，而非全盘托出 这样既保留了完整推理过程，又不会让指挥官被海量信息淹没，相当于用架构设计突破了记忆长度限制。

实际效果

在 BrowseComp 基准测试（一个考验 AI 深度信息检索能力的测试）中：

  • 准确率大幅提升：从单智能体的 15.9% 提升到 33.3%
  • 效率更高：相比基线上下文管理方案，完成同样任务所需的关键步骤减少约 40% 相比"丢弃所有"这种简单粗暴的记忆管理方式，Agent Swarm 又快又准。

一句话总结：Agent Swarm 让 AI 从"一个人干所有活"变成"一支配合默契的团队"，通过聪明的指挥调度、真正的并行协作和高效的记忆管理，实现 1+1>2 的效果。

应用场景

Agent Swarm 特别适用于以下复杂任务：

  1. 大规模信息检索：大规模的互联网信息收集
  2. 批量下载：大规模收集各类文件和资料
  3. 广域阅读：处理 100+ 文档的大量文本
  4. 长文写作：创建超过 10 万字的结构化长内容
  5. 复杂编程任务：前端开发、代码审查、多文件重构
  6. 办公自动化：生成专业级文档、电子表格、演示文稿

相关介绍

  1. Kimi官方博客 - "Kimi Agent Swarm: 100 Sub-Agents at Scale" (https://www.kimi.com/blog/agent-swarm)
  2. Kimi K2.5技术博客 - "Kimi K2.5: Visual Agentic Intelligence" (https://www.kimi.com/blog/kimi-k2-5)
  3. Kimi K2.6技术博客 - "Kimi K2.6: Advancing Open-Source Coding" (https://www.kimi.com/blog/kimi-k2-6)