Kimi憋了個超級大招，

沒有選擇像別的通用Agent一樣重度依賴Claude，而是選擇先做好Agentic模型，結(jié)果就是造出來個All in One的Kimi K2.5模型，能理解圖片和視頻，256K上下文，Agent 集群模式下能穩(wěn)定召喚100+分身（subagent），

跟Manus的Wide Research不同，分身們可以同時完成不同類型的任務(wù)。

分身們還有自己的工牌

很長一段時間，我接觸的通用 Agent，比如OpenAI的Deep Research，給我的感覺像是一個聰明的博士生。你給它一個課題，它會花很長時間去深度鉆研，最后給你一份詳盡的報告。

后來Manus提出了Wide Research，它像是一次性派出去一百個實習(xí)生，每個人都去做同樣一件事情，比如搜索資料，然后把結(jié)果匯總起來。這種模式在處理一些需要大量信息搜集和初步整理的任務(wù)時，效率很高。

在Kimi這次的Agent集群上，我看到了一種新的可能性。它派出去的幾十上百個Agent，不再是干著同樣事情的實習(xí)生，而是一個分工明確的團隊。并且團隊的數(shù)量會根據(jù)任務(wù)的難度動態(tài)調(diào)整。

從他們放出來的指標上看，比起單Agent，端到端運行時間減少了80%，效率提升400%

我的體驗是從一個很常規(guī)的測試開始的。我讓它幫我整理一下GitHub上Star數(shù)排名前十的Claude Code Skills項目，看看都是做什么的。任務(wù)下達后，屏幕上出現(xiàn)了幾十個小小的頭像，開始分頭工作。

有意思的是，每個Agent都有自己的名字，很Notion風(fēng)格的頭像，有的叫Matt，有的叫Sue，有的叫Max，在任務(wù)分配界面，能看到它們每個人負責(zé)的方向是不一樣的，他們的人設(shè)也是有點小巧思在的，

這次先是創(chuàng)建了一個負責(zé)收集的Agent，然后又創(chuàng)建了負責(zé)驗證Skills可行性Agent和聚合統(tǒng)計結(jié)果的Agent，

然后收集Agent像是有那個分身術(shù)，kukuku整了50個，有的負責(zé)搜索Claude Code和MCP Server的組合，有的搜集從MCP改成Skills的項目，甚至有的按照Python或者其他編程語言進行分類搜索。

也就是說它把一個簡單的概念，

主動擴展成了一個豐富的搜索網(wǎng)絡(luò)。

整個過程，我不需要像用Deep Research那樣，

反復(fù)回答個人偏好來幫它收窄范圍。

在五十個 Agent 的自主聯(lián)想和擴展能力下，

它已經(jīng)能猜到我想要什么。

光做信息搜集還不夠有說服力。我特意找來了Manus發(fā)布Wide Research時候的任務(wù)提示語，創(chuàng)作五十張非常有設(shè)計感的海報，

一次性生成 50 張適用于紐約快閃生活方式活動的創(chuàng)意海報設(shè)計。

活動名稱：City Sips: A Taste of New York，一場為期一天的咖啡、音樂與設(shè)計體驗活動。

每張海報都必須包含日期（2025 年 9 月 14 日）與地點（紐約布魯克林 Williamsburg）。

風(fēng)格覆蓋要足夠廣，包含但不限于：粗野主義、街頭涂鴉、復(fù)古紐約、極簡主義、霓虹風(fēng)、拼貼、超現(xiàn)實。

在版式、字體、配色方案、插畫與攝影質(zhì)感之間做出明顯變化。

整體觀感要有能量、很城市、文化氛圍濃郁，適合印刷與社交媒體投放。請把圖片打包成 ZIP 文件發(fā)給我。

我沒有給任何API或者說我平時用的生圖賬號，直接就薅到了50張海報，

而且良品率比我想象中要高得多得多。

如果在生圖的時候，指定模型用Banana2，然后再給一個參考圖的話效果會更好，

不花錢的圖生成起來就是不心疼。。。

Kimi K2.5這次網(wǎng)頁生成能力也有很大的提升，我反手就是將這30張圖做成畫廊展示HTML，每瓶香水都是3D傾斜卡片，鼠標互動可以看到他們的在暗光下的另一面。

還不用擔心Agent跟Agent之間沒有溝通，他們并不會因為是同時執(zhí)行任務(wù)的 Agent就不能寫連貫的故事分鏡。

既然圖可以，再大膽一點，我當下第一個想法就是視頻能不能免費做，

所以直接讓它把生成的五十張電商圖片，都做成五秒鐘的短視頻，還就真的做成功的，雖然不是用AI做出來的，在我沒有提供任何API和賬號的前提下，能把圖片加上濾鏡并剪輯成片，也足夠驚喜了。

看到這里我有點擔心算力消耗，實際上Agent集群還可以動態(tài)分配SubAgent的數(shù)量了，

當我給它一個相對簡單的信息搜索任務(wù)時，比方幫我搜索DeepSeek團隊從2023年到2026年的論文，技術(shù)報告和 GitHub鏈接，并做一個總結(jié)，推測一下DeepSeek v4可能會有的技術(shù)更新。

這個任務(wù)它只用了一個Agent就完成了。

我還用它解決了一個manus經(jīng)典多文件案例，這次將25份簡歷擴張到45份中英文都有互聯(lián)網(wǎng)聯(lián)系，要求Agent 集群找到我想要的候選人，

我是一名人力資源專業(yè)人員，正計劃招聘一名強化學(xué)習(xí)（RL）算法工程師。我傾向于尋找具有相關(guān)強化學(xué)習(xí)經(jīng)驗的人選。請協(xié)助我將 PDF 簡歷中的候選人信息整理成一份完整的 Excel 匯總表，內(nèi)容應(yīng)包括基本信息以及項目經(jīng)驗的簡潔總結(jié)（重點突出核心亮點和成就）。請根據(jù)候選人在強化學(xué)習(xí)領(lǐng)域的專業(yè)程度進行排名，并向我提供一份包含所有這些信息的、格式整齊的 Excel 文件。希望您能逐一仔細閱讀每位候選人的簡歷。

多文件處理起來基本上沒什么壓力，

內(nèi)測這幾天我還測了超級多問題，旅游指南，設(shè)計10個露營品牌和藝術(shù)家聯(lián)名的產(chǎn)品，還有一個狠活case，真的不舍得壓縮，再給大家看一個，

這個是我做Claude Code Skills的靈感之一，可以通過一個博主的視頻主頁，按照我對TA的印象和不同產(chǎn)品兩個維度，把200多個視頻劃分成完整的學(xué)習(xí)路徑，這樣我可以有針對性選有用的視頻導(dǎo)入NotebookLM，是個大工程，但是Agent 集群已經(jīng)幫我完成了70%。

這種探索的樂趣，想問啥寫啥，還不用擔心做到一半被登陸卡住的感覺，讓我找回了當初剛接觸Manus時那種興奮感。

這跟我之前熟悉的通用Agent模式是有著一條清晰的界線。常規(guī)的工作流Agent，就算進行多路搜索，也像一條裝配線。第一波Agent出去搜集零件，然后把零件交給下一個環(huán)節(jié)進行匯總和組裝。整個過程是線性的，一步接著一步。

Agent 集群更像一個動態(tài)的頭腦風(fēng)暴。我的一個指令下去，第一波探索者出發(fā)了。但關(guān)鍵在于，它們完成初步探索后，不會直接把一堆原始材料丟給我。它們會先進行一次內(nèi)部碰頭，形成一個初步的共識，然后基于這個共識，再分派出任務(wù)更明確、方向更聚焦的第二波，第三波，在過程中不斷思考和校準。

Kimi 團隊自己也把 AGI 的拼圖分成了三個階段。

第一階段是記憶，像Kimi 1.0的長文本。

第二階段是推理，模型有了深度思考的智商。

而Kimi 2.5的Agent 集群，是第三階段，讓AI 學(xué)會了像團隊一樣分工協(xié)作。每次我提出一個新項目，Kimi就會為我組建一個臨時的專家團隊。

看到屏幕上那些叫Matt、Sue或是Max的小頭像各司其職，真的會產(chǎn)生一種奇妙的代入感。

我甚至?xí)俺鲆粋€念頭，希望可以把這次任務(wù)里表現(xiàn)特別出色的那個Agent 保存下來，

下次有類似的項目，可以指定讓它來操刀。

不需要研究API怎么接，

Skill怎么寫，

也不用去理解MCP協(xié)議。

我只管天馬行空，

怎么執(zhí)行，

是Agent要頭疼的事了。

@ 作者 / 卡爾

最后，感謝你看到這里如果喜歡這篇文章，不妨順手給我們點贊｜在看｜轉(zhuǎn)發(fā)｜評論

如果想要第一時間收到推送，不妨給我個星標

如果你有更有趣的玩法，歡迎在評論區(qū)和我聊聊

更多的內(nèi)容正在不斷填坑中……