# 从头构建多智能体系统学到的经验

- 来源：ginobefun (@hongming731)
- 发布时间：2026-05-14 08:35
- AIHOT 分数：65
- AIHOT 链接：https://aihot.virxact.com/items/cmp4rw8v80895sljxzktzu3rj
- 原文链接：https://x.com/hongming731/status/2054722117846040636

## AI 摘要

Shopify工程师Paulo Arruda分享构建多Agent系统的实战经验。最初为应对AI生成代码导致的PR质量问题，尝试用AI补充测试，但依赖图等方案成本过高。Claude Code预览版的推出带来转机，其基于Grep的代码搜索无需维护索引，使Agent能直接操作任意代码库。核心教训是：专才Agent（任务拆分）效果远优于通才Agent；为领域专家适配现有工作流的AI工具，比组建全能AI小队更高效、更易获得信任。

## 正文

从头构建多智能体系统学到的经验

https://www.infoq.com/presentations/multi-agent-system-lessons/

这是 Shopify 高级工程师 Paulo Arruda 在 QCon 上的演讲，讲的是他从 2024 年底到 2025 年上半年在 Shopify 实际构建多 Agent系统的经历。他说这更像是一个故事，技术细节有，但核心想传递的是那些网上看不到的亲身经验。

故事起点是测试生成。Shopify 是一个巨大的 Rails 单体应用，AI 工具开始帮工程师写代码之后，PR 质量开始变得难以保证，他想研究 AI 能不能帮助补充测试覆盖率来兜底。他尝试过构建文件依赖图、为每个源文件生成 GPT 摘要、用语义关系建图的方案，但成本极高、难以维持更新，最终放弃。

转折点是 2025 年 2 月 Claude Code 的研究预览版上线。他发现 Claude Code 用 Grep 和文件读取来搜索代码，效果和向量索引方案差不多甚至更好，但完全不需要维护索引。更重要的是，这意味着 Agent 可以在任意代码库里操作，不需要预处理。

从这个观察开始，他真正开始探索多 Agent 架构。他踩过的坑里最有普适价值的有两条。

第一条是专才 Agent 的效果远远好于通才 Agent。给一个 Agent 一个宽泛的任务，它会尝试做太多事、每件事都做不精；把同样的工作拆分给多个各自专注于特定范围的 Agent，结果更好，出问题的时候也更容易定位到哪个 Agent 在哪个步骤出了问题。

第二条是为领域专家提供更好的工具，比组建一个 AI 全能小队更有效。他发现强迫领域专家去适应 AI 工作流的效果，远不如把 AI 工具塞进领域专家已经熟悉的工作方式里。AI 特种部队在概念上很吸引人，但在实践中，让现有的专家用上更好的工具，往往更快出结果，系统也更容易被信任。