Kimi K2.5 帶來了一個「蜂群時刻」。

　　這兩天 K2.5 的更新在海內(nèi)外都賺足了討論，一個原生多模態(tài)模型，提供了最先進的編碼和視覺功能，以及自主智能體集群范式——召喚一群 agent 過來完成任務(wù)，聽上去也太酷了。

　　如果你還沒體驗過，快來參與本期的福利放送：Kimi 和 APPSO 給大家準備了一批 Kimi Agent 日卡福利，包括24 小時會員+ 3 次集群功能使用，專屬鏈接稍后會掉落在留言區(qū)，先到先得，期待大家體驗后回來與我們分享使用感受。

　　技能多 Agent，好酷炫好好玩

　　K2.5 目前已經(jīng)全量推出，客戶端即可使用。K2.5 Agent 有免費體驗次數(shù)，而 K2.5 集群則是付費功能，目前只對 Allegretto 計劃。訂閱了也有點數(shù)限額：每個月起步 47 點，每次任務(wù)消耗 3 點。

　　總體上是夠用的，作為 Kimi 老用戶，當然是買，買它。正好手邊有一堆文件需要合并，懶得手動復制粘貼了，就發(fā)給 Kimi 打開集群模式讓它統(tǒng)一處理。

　　集群模型下，Kimi 還給這個地方加了個設(shè)計：會有一個工牌掉落下來，你可以看到是哪位「負責人」在執(zhí)行任務(wù)。

　　合并文檔最終的效果不錯，而且我還進一步提出讓它整理和調(diào)整各個層級的小標題，它可以實現(xiàn)先分析、提方案、再執(zhí)行的鏈路。不過最好是下載到本地檢查格式，Kimi 自帶的預覽功能，有時候不能準確反映當輪次的修改效果。

　　為了進一步看它的多并發(fā)操作，我參考官方 demo，測試了一個任務(wù)：檢索近三個月內(nèi)所有關(guān)于集群式 agent 的文獻，然后整理到一個 excel 表格里，提煉核心發(fā)現(xiàn)和研究創(chuàng)新點。

　　這次安排的「人員」就比較多了，各個 agent 紛紛趕來支援，每個人都有自己分配到的任務(wù)。

　　這個的耗時明顯比之前要長了很多，但沒關(guān)系，可以先掛機讓它自己跑。同時，我又安排了一個考察多模態(tài)能力的任務(wù)。

　　這是上傳給 Kimi 的原始素材圖，視頻版中有更多動效。Kimi 要做的是把這個設(shè)計，轉(zhuǎn)換為網(wǎng)頁，而且保留所有的設(shè)計元素、風格。

　　Prompt 寫得簡單，但實際工作是復雜的：既要識別、理解，又要生圖，還要寫前端。

　　這個任務(wù)也花了比較長的時間，但最終效果很好。有一些小細節(jié)上的問題，比如圖片排版、懸停和跳轉(zhuǎn)等 bug。不過核心的設(shè)計元素都保留了，并且網(wǎng)頁功能也完備。

　　再回頭來看，文獻檢索的任務(wù)也好了，整整齊齊列了一個 excel 出來：

　　最后一個測試任務(wù)是：上小紅書找達人，要求是數(shù)碼博主，粉絲量大于 5000，累計筆記多于 100 條。這兩個條件其實很寬松，真的找起來范圍很大。

　　Kimi 碰到的第一個問題是：進不去小紅書。其實這里可以主動詢問用戶，類似 GPT agent 會用的辦法。

　　但并沒有，Kimi 轉(zhuǎn)而去了新榜抓數(shù)據(jù)，這樣既繞開了網(wǎng)頁權(quán)限，又能直接讀取數(shù)字。這不算是個很好的策略，最后只能抓出來數(shù)量很少的博主，顯然小紅書上不可能只有這些。另外，被擋在平臺外，也無法體現(xiàn) Kimi 的視覺能力，畢竟抓取的都是現(xiàn)成的數(shù)字。

　　不過總體上，Swarm Agent 給人一種踏實感。這些工作單體 agent 能不能做？自然是可以，只是要花時間、錯漏多。而一群人來做，更加的令人安心。

　　創(chuàng)「新」在哪里？

　　說到這里，你可能會問：這不就是 Multi-Agent（多智能體）嗎？很多公司都在做啊。

　　關(guān)鍵區(qū)別在于「誰來當老板」。

　　在傳統(tǒng)的 Multi-Agent 系統(tǒng)中，人類需要預先設(shè)計好整個工作流程：誰負責什么、誰先誰后、結(jié)果怎么匯總。就像搭積木一樣，你得先把圖紙畫好。而 Agent Swarm 的核心創(chuàng)新在于——AI 自己就是設(shè)計師。

　　Kimi 團隊用了一種叫 PARL（Parallel-Agent Reinforcement Learning，并行代理強化學習）的訓練方法，讓模型學會了「分解任務(wù)」和「調(diào)度資源」的能力。你不需要告訴它「先派 3 個人去搜資料、再派 2 個人去寫總結(jié)」，它自己就能判斷：這個任務(wù)適合拆成幾份？每份派誰去做？什么時候該并行、什么時候該串行？

　　換句話說，Multi-Agent 是「人類編排的交響樂團」，Agent Swarm 是 AI 自己組隊的爵士樂。

　　還有一個容易混淆的概念是 MoE：Mixture of Experts，混合專家模型。主流大模型內(nèi)部都用了 MoE 架構(gòu)，但它們和 Agent Swarm 完全是兩回事。

　　MoE 發(fā)生在模型內(nèi)部。你可以把它理解為：模型里住著一群「專家」，每次處理任務(wù)時，模型會動態(tài)決定激活哪幾個專家來參與。但這些專家沒有獨立的身份，也不會互相協(xié)作，它們只是模型內(nèi)部的不同計算路徑。

　　Agent Swarm 發(fā)生在模型外部。每個子 Agent 都是一個相對獨立的執(zhí)行單元，有自己的任務(wù)目標，可以并行運行，甚至可以調(diào)用工具（比如搜索網(wǎng)頁、寫代碼）。它們之間是真正的「協(xié)作關(guān)系」，而不是簡單的「激活關(guān)系」。

　　用個不太嚴謹?shù)谋扔鳎篗oE 像是一個人的大腦里分區(qū)工作，Agent Swarm 像是一個公司里的團隊協(xié)作。

　　從實測和官方演示來看，Agent Swarm 至少在以下幾類任務(wù)上表現(xiàn)出色：

　　第一類是大規(guī)模信息收集。 比如官方案例中 100 個領(lǐng)域創(chuàng)作者調(diào)研，以及我們這次實測的小紅書博主檢索。處理這類任務(wù)的共同特點是「可并行」——每個子任務(wù)相對獨立，不需要太多中間協(xié)調(diào)。

　　第二類是視覺+代碼的復雜任務(wù)。 Kimi K2.5 強調(diào)自己是「原生多模態(tài)」模型，能看懂圖片和視頻。結(jié)合 Agent Swarm 后，它可以一邊分析 UI 截圖，一邊派不同 Agent 分別處理布局、樣式、交互邏輯，最后生成完整的前端代碼。

　　第三類是長文檔處理。 官方提到，Kimi Agent 可以處理「1 萬字的論文或 100 頁的文檔」，支持 Word 批注、Excel 透視表、LaTeX 公式等高級功能。Agent Swarm 可以把長文檔拆成多個章節(jié)，讓不同 Agent 并行處理，再匯總成統(tǒng)一格式——正如最開始的實測案例一樣。

　　不過，別急著興奮，Agent Swarm 并非「開了掛」。在實際使用中，你會發(fā)現(xiàn)幾個明顯的邊界：

　　第一，任務(wù)本身得「可拆」。 如果任務(wù)步驟之間有強依賴關(guān)系——比如「先想清楚論點，再去找證據(jù)，最后才能寫結(jié)論」——強行并行反而會幫倒忙。

　　第二，成本會顯著上升。 100 個 Agent 同時工作，意味著 100 倍的 API 調(diào)用。雖然總時間縮短了，但 Token 消耗是實打?qū)嵉摹?/p>

　　第三，質(zhì)量不一定比單 Agent 好。 在某些需要深度推理的任務(wù)上，比如數(shù)學證明、復雜編程題，單 Agent 的「深度思考模式」反而更可靠。Agent Swarm 的優(yōu)勢在于「廣度」和「速度」，而不是「深度」。實測下來，部分任務(wù) Kimi 會自動調(diào)劑成單 Agent 模型，這點 Kimi 團隊成員也在 reddit 的線上問答里得到了證實。

　　Kimi 團隊眼中的未來

　　從目前的使用體驗來看，集群還可以繼續(xù)提升，包括但不限于：

　　更智能的調(diào)度：目前的 Agent Swarm 已經(jīng)能自動分解任務(wù)和創(chuàng)建 Agent，但調(diào)度策略還比較「粗粒度」。未來有希望能建立更精細的資源分配——比如根據(jù)任務(wù)的緊急程度、復雜度、依賴關(guān)系，動態(tài)決定「派多少人、干多久」。

　　更深度的協(xié)作：現(xiàn)在的子Agent之間交流有限，主要是「各自干完活，把結(jié)果交給老大匯總」。未來可能會支持子Agent之間的直接協(xié)作，比如「AAgent發(fā)現(xiàn)一個問題，可以主動呼叫 BAgent來幫忙」。

　　更廣泛的工具集成：擴展 Agent 可以調(diào)用的工具庫，包括但不限于更多的辦公軟件、開發(fā)環(huán)境、數(shù)據(jù)分析工具。目標是讓 Agent Swarm 能真正「端到端」地完成復雜工作流。

　　在 Reddit 的 AMA（Ask Me Anything）活動中，Kimi 團隊也回答了大量關(guān)于技術(shù)、產(chǎn)品和愿景的問題。透過這些回答，我們可以拼湊出他們對 Agent Swarm 乃至整個 AI 未來的思考。

　　AMA 中還有一個問題很有意思：許多說法稱，scaling law 已經(jīng)碰到了上限，團隊如何看待這個問題呢？

　　楊植麟的回答是：Agent 集群就是他們走出的嘗試。展望未來，或許會出現(xiàn)一種幾乎不、甚至完全不需要人類先驗信息的模型。

　　這個愿景聽起來有些理想化，但細想之下頗有深意。過去兩年，AI 領(lǐng)域一直在「卷參數(shù)」——模型越來越大、算力越來越貴。而 Agent Swarm 代表了一種不同的思路：與其讓一個超級大腦做所有事，不如讓一群大腦分工協(xié)作。

　　這可能才是通向 AGI 的更務(wù)實路徑：單獨一只蜜蜂并不起眼，但當成千上萬只蜜蜂協(xié)同工作時，它們能建造出精妙的蜂巢。