并行 vs 顺序
问题天然可拆就并行发起,省的是等待时间;代价是后面要把多个 agent 的产出去重、对齐、汇总。省事的是前半段,费心的是后半段。
多 agent 并行市场研究工具
你给它一个市场问题,它拆成几个子问题,交给一队 agent 并行去查,再合成一份带来源的简报。我拿它来练多 agent 的编排,想搞清楚一队 agent 同时跑,到底能省多少、又会多出哪些麻烦。
市场研究是个天然适合并行的活:一个大问题,「这个赛道现在值得做吗」,其实可以拆成好几块互不打架的小问题,各查各的,最后拼起来。一个人串行去查会很慢,但这些块本来就能同时做。
我之前碰 AI,大多是「调一个模型、接一个 agent」。这次我想往前走一步:如果有一队 agent,我该怎么把一个问题拆给它们、让它们并行跑、再把各自的答案收回来拼成一个能用的东西?这件事的难点,和「调一个 agent」完全不在一个地方。
调一个 agent,是让它替你做一件事。指挥一队 agent,是把一个问题拆开、让它们各查一块,再把答案拼回去。拆开容易,拼回去难。
你给 Scoutpilot 一个市场问题,它先把问题拆成几个子问题,每个子问题派一个 agent 并行去检索、推理,最后把一队 agent 的发现汇总成一份简报:竞品、要点、机会,每条结论都标着来源。
真正花力气的是两头:开头把问题拆得彼此不重叠,结尾把答案去重、对齐、拼回去。中间那段并行,反而最不费脑子。
「AI 笔记工具,现在还值得做吗?」
现在有哪些主流玩家?
各家怎么收费、怎么打包?
用户抱怨最多的是什么?
竞品 · 用户要点 · 机会空白,每条结论都点得回出处
核心是一个编排器,三步走。真正花心思的是头尾两步:拆得好,agent 之间不打架;收得好,一堆零散发现才能变成一份读得下去的简报。
一个编排模型把开放问题拆成 2–3 个互不重叠的子主题,并锁死在你问的那个品类里。这一步定了后面并行的边界,拆得好,agent 之间就不会互相踩脚。
每个子主题派一个 agent,各自反复检索(Tavily)、推理(DeepSeek),查够了提交结论,有缺口能再补一轮。几个 agent 同时跑,省的是 wall-clock 时间,花的 token 一点没少。
各 agent 回来的发现会重复、会打架、引用还可能对不上。把整池发现交给一个汇编模型,让它填进定死的七节结构(摘要、市场定义、竞争格局、用户痛点、市场空白、定位机会、风险与验证),每条结论都挂回来源 URL,凑不齐七节就直接报错。
Live 跑一次要调好几个外部 API,等几十秒,还可能超时。偏偏它最该被人看到的时候,比如演示、第一次打开,最容易掉链子。
所以我把「演示」和「真跑」拆成两条路。真跑一次,全程录下来,存成静态文件;演示时回放这份录像,零成本、不会崩、每次都一样。另外留一个真 live 证明它真能跑,给它套上每日预算和限流,免得真烧钱。
全自动跑完最省心,可研究常常跑偏。所以我留了个口子:中途能暂停,改写某个子问题,再让这队 agent 顺着新方向重跑。人随时能把方向掰回来,不用发起后干等着。
问题天然可拆就并行发起,省的是等待时间;代价是后面要把多个 agent 的产出去重、对齐、汇总。省事的是前半段,费心的是后半段。
演示默认放录播:零成本、不翻车、每次都一样。但保留一个真 live 证明它真能跑,用每日预算加按 IP 限流,把钱包兜住。
默认全自动一把跑完;但你能中途暂停、改写子问题、给一队 agent 重新定向,人始终留在回路里,不用发起后干等着。
不等全部跑完再出结果。检索轨迹、阶段、证据随研究推进实时往外吐(SSE),让等待本身变得可读、可信。
做完最清楚的一点:并行发起很容易,框架几行就搞定。真正难的是收尾,把一队 agent 捞回来的零散发现填进一个固定结构、每条挂上来源,拼成一份读起来像人写的简报。
它也让我把「PM」想得更具体:能跑通是一回事,能让人放心点开、不崩、不烧钱是另一回事。回放那套设计,就是顺着后面这件事来的。
并行只是把活分出去。简报好不好,看的是怎么把分出去的活收干净。