Claude Subagents vs. Agent Teams：多智能体系统架构指南
文章深入探讨了 Claude 中的两种多智能体范式：Sub-agents 和 Agent Teams。Sub-agents 类似于独立上下文的临时工，适合并行处理孤立任务；而 Agent Teams 是持久化的协作团队，通过共享状态和直接通信解决复杂协调问题。文章建议根据任务所需的上下文依赖性选择架构，并介绍了五种主要的编排模式，强调应基于上下文而非角色来拆分任务。
相关文档
Agent 开发指南：技术太多，该怎么学？
文章深入分析了 Agent 开发的技术趋势，指出核心稀缺资源已从“代码”转向“可信结果”。阐述了 Harness Engineering 的重要性，强调在概率性推理之外建立确定性执行外壳，通过状态管理、身份验证和结果验收，让 Agent 能够在复杂系统中可靠承担责任。
从循环到图：如何运行真实的 AI 代理团队
文章阐述了如何利用图结构而非简单的循环来管理 AI 代理团队。核心在于“钻石模式”：任务并行分发、执行、独立验证与汇总。这种模式通过分散推理过程，提升了效率和准确性，并强调了人工检查节点的重要性。
如何在 AI Agents 中正确使用 MCP 服务器
文章讨论了 MCP 服务器在 AI Agents 中的应用。盲目启用 MCP 会导致上下文膨胀、成本增加和性能下降。文章提出了两种有效的使用模式：一是显式 MCP 服务器（内联工具注入），通过 @mention 按需加载工具，适合用户驱动的临时需求；二是子代理 MCP 服务器，将 MCP 服务器声明在子代理定义中，利用 allowed_tools 进行最小权限范围限定，适合代码审查或支持代理等特定场景。
Sub-Agents vs Agent Teams: 决定性架构决策
本文探讨了 AI 系统中“子代理”与“代理团队”的区别。子代理适用于并行、隔离的任务，专注执行且无状态；代理团队则用于需要上下文共享的协作任务。文章指出架构设计应基于上下文边界而非单纯的角色拆分，并总结了 Prompt 链、路由、并行化等 5 种关键模式。
从零基础到生产环境掌握人工智能代理——完整指南
这是一份关于构建生产级 AI 智能体的完整指南。文章详细阐述了智能体与聊天机器人的本质区别，涵盖了从工具设计、系统提示词、多智能体编排到生产环境部署、测试评估的全流程。重点介绍了如何利用 API 构建可靠的智能体循环，并指出了初学者常犯的错误及生产环境下的监控与成本控制策略。
长时间运行的应用开发中的编排框架设计
本文探讨了如何通过改进编排框架来解决 Claude 在长时间运行任务（如前端设计和全栈开发）中的局限性。作者受 GAN 启发，设计了包含规划器、生成器和评估器的多智能体架构。通过引入上下文重置机制、制定明确评分标准以及分离生成与评估环节，该框架成功实现了自主构建高质量全栈应用的能力，显著优于单智能体模式。
Grok Bot + Claude: 如何构建一个在你睡觉时工作的 AI 团队
文章提出不应把 AI 当作执行单个长任务的聊天机器人，而应构建一套完整的 AI 团队操作系统：以 Grok Bot 作为 Chief 协调者，配以 Researcher、Builder（Claude）、Reviewer、Reporter 四个专职角色，各司其职。核心要素包括共享工作区持久化任务状态、分层记忆系统、独立的验证流程以及人工审批边界，防止 Agent 在未经授权时执行不可逆操作。文章给出了具体的项目目录结构、Chief 角色的完整提示词，并以 GitHub issue 处理为例展示了从调研、构建、测试到审查的自动化协作流程，实现真正可审查、有证据支撑的自主工作成果。
Google 拆解 Agent Compute Engine，Claude 分享构建单智能体循环方法，CrowdStrike CEO 谈 AI 安全
本期早报精讲三篇文章：Google 公开 Agent Compute Engine 架构，通过 Harness 与 Sandbox 分离、凭据外置和快照空闲机制，兼顾智能体持续工作的便利、安全与成本；Claude 应用团队分享何时将子智能体合并回主循环，指出配合技能的单一智能体在质量、延迟和成本上常优于多角色设计，并给出渐进迁移与评测方法；CrowdStrike CEO George Kurtz 谈 AI 时代的安全变化，包括攻击速度加快、身份成为入口、数字孪生对抗演练等。速览部分涵盖 WorkForge 训练框架、Air Canada 智能体测试实践、个人 Agent 评测等内容。
如何变得更有雄心：写给与模型协作的人类使用指南
Claude 团队工程师 Felix Rieseberg 撰写的 AI 使用指南，提出使用 AI 时应从四个维度提升“雄心”：速度、高度、深度与广度。高度指提升抽象层级、关注终极目标而非单一任务；深度指像顶尖专家一样使用专业工具与方法、挑战既有认知、创造新知识并引入外部验证；广度指跨学科调用多元视角与方法。文章还结合心理学中的“自我效能感”概念，引用丹齐格、班尼斯特等案例，说明相信事情可行、目睹他人突破、允许失败能激发更大成就，倡导人们敢于尝试曾认为不可能之事。
How to Build a Multi-Model Team of AI Agents in 2026
本文介绍 2026 年构建多模型 AI Agent 团队的完整方法。作者指出使用单一模型会导致高成本低效、专业能力受限以及单供应商故障/盲点风险，主张按任务步骤选择合适模型。文章梳理了 2026 年 9 月的主流模型阵容（Claude Opus/Sonnet/Haiku/Fable 5.1、GPT-6 Astra、TypeSafe Jev）及定价，提出五层架构：路由器、编排器、专家模型、评审者（critic）和纯代码层，并讲解如何先对工作负载分类（决策、简单生成、真实工作、难题），再为每层选择最划算的模型。文中附有统一封装多供应商 API 的示例代码，涵盖 effort 参数与 thinking block 处理细节。
Research Engineering: 构建AI研究机器
文章提出'研究工程'（Research Engineering）的实践方法，指出常见AI搜索工具只是'带浏览器的流畅回答'，其核心缺陷在于缺少支撑证据的系统。作者提出一个与模型无关的六阶段研究工作流架构：定义研究简报、拆解查询计划、搜索与抓取、记录证据账本、验证声明冲突、生成带来源报告。文章强调要给agent明确的研究契约（含范围、时间点、比较维度、停止条件），将问题拆成目的不同的并行搜索通道，而非让多个agent读同样的资料制造虚假共识。还介绍了多源检索策略（开放网络、X、私人文档库、数据库/API），核心目标是让AI返回更少的不受支持的声明，并持续追踪'它如何知道自己所说的是真的'。
