體驗 Kimi

K2.6 Agent Swarm [Beta 版]

K2.6 Agent Swarm [Beta 版] 是一種「水平擴充」架構，可協調多達 300 個子 Agent 平行工作——無須預先定義角色，也不需要人工編排流程。相較於單 Agent 執行，任務完成速度約可提升 4.5 倍。

2026 年 1 月 27 日，Moonshot AI 發布 Kimi K2.5，首次引入 Agent Swarm [Beta]。2026 年 4 月 20 日，Moonshot AI 發布並開源 Kimi K2.6，為 Agent Swarm 架構帶來重大升級：

  • 最多 300 個子 Agent 同時工作
  • 單一任務可進行超過 4,000 次工具呼叫
  • 比單 Agent 順序執行快 4.5 倍

背後的故事

2025 年，AI 產業的主流敘事聚焦於垂直擴展——更大的模型、更多的參數。但這條路會撞上結構性的天花板：單一順序執行瓶頸。

Agent Swarm 源自一個真實場景：一位團隊成員嘗試自動化每日股票資訊蒐集，卻寫到了 100 行 if-else 程式碼。她忽然意識到：「我正在手寫一套多 Agent 系統。」既然模型能使用工具，為什麼不能自行設計組織架構？

Agent Swarm 是一種自我設計的組織結構——由 AI 設計，而不是由人類設計。主 Agent（協調器）可自主指揮多達 300 個子 Agent，並執行多達 4,000 個平行工作流程步驟。

群體

K2.6 Agent Swarm [Beta 版] 採用 PARL（Parallel-Agent Reinforcement Learning）訓練方法。相較於單 Agent 方法，在大規模搜尋場景中可將關鍵步驟減少 3 倍至 4.5 倍。

如何使用？

截圖 8

入口：

  • Web：kimi.com/agent-swarm
  • Mobile：Kimi app → 切換模式 → 選擇 K2.6 Agent Swarm [Beta 版]

Beta 版權限：K2.6 Agent Swarm [Beta 版] 目前開放給 Moderato、Allegretto、Allegro 與 Vivace 會員使用。此類任務消耗的額度（配額）明顯高於標準 Agent 任務。

步驟：

  1. 描述你的任務並送出（例如：「收集 200+ 篇 Paul Graham 文章」）
  2. 即時查看進度：建立任務清單、生成子 Agent、平行執行
  3. 取得交付成果：程式碼專案、檔案資料夾、資料分析、Office 文件
  4. 預覽、下載或分享結果
  5. 切換至單一 K2.6 Agent，在後續回合中繼續處理

使用案例

大規模探索

案例 1：100 個 YouTube 細分領域中的前 3 名創作者

K2.6 Agent Swarm [Beta 版] 建立了 300 個子 Agent 進行平行搜尋，產出包含頻道名稱、訂閱者數與描述的結構化表格。

YouTube

查看結果

案例 2：收集 200+ 篇 Paul Graham 文章

Agent Swarm 部署子 Agent 進行搜尋、下載、分類與摘要，將 200+ 篇文章整理到主題資料夾中。

查看結果

大規模輸出

案例：從 40 份 PDF 生成 100 頁文獻綜述

K2.6 Agent Swarm [Beta 版] 部署多個聚焦寫作的子 Agent，各自負責一個章節。最終輸出：一份 100 頁的學術文件，包含引用、方法論圖表與引用網路分析。

文獻綜述

大規模視角

案例：產品上市策略專家審查 Agent Swarm 部署具備不同視角的專家子 Agent（產品經理、投資人、客戶成功），共同審查一項上市策略。

專家審查

查看結果

案例：以 20 種文學風格改寫《三體》 20 個「作家」子 Agent 以各自不同的風格獨立創作——從 Virginia Woolf、Borges 到 Kafka。

查看結果

技術深入解析

核心架構：指揮官 + 專家

  • 協調器 = 教練／指揮官：掌握全局，制定策略
  • 子 Agent = 球員：各自專注於特定角色

關鍵設計：凍結球員，只訓練教練

所有子 Agent 保留既有能力；只有協調器透過強化學習持續改進。這樣能帶來清晰的責任歸屬，也讓訓練更穩定。

防止「偷懶」：

  • 串行坍縮：協調器把所有工作都交給同一個子 Agent
  • 假平行：為了衝高指標而切出無意義的子任務

解法：三維獎勵機制

  1. 最終結果品質
  2. 是否實現真正的平行
  3. 子任務完成率

關鍵步驟指標

Agent Swarm 會計算每個階段中最慢子 Agent 所花費的時間。這會迫使系統進行真正的流程最佳化，而不是盲目拆分任務。

Context Sharding（上下文分片）

每個子 Agent 都專注於自己的「筆記本」，獨立記錄相關細節。只有關鍵結論會回報給協調器——既保留推理脈絡，又避免記憶負載過重。

真實世界成果

在 BrowseComp 基準測試上：

  • 準確率：15.9%（單 Agent）→ 33.3%
  • 關鍵步驟減少約 40%

應用場景

K2.6 Agent Swarm [Beta 版] 特別適合：

  1. 大規模資訊檢索：海量網路資料蒐集
  2. 批次下載：大規模檔案與資源蒐集
  3. 廣範圍閱讀：處理 100+ 份文件
  4. 長篇寫作：產出超過 100,000 字的內容
  5. 複雜程式設計：前端開發、程式碼審查、重構
  6. Office 自動化：專業文件、試算表、簡報

延伸閱讀：