💰钛媒体•較早收集於 4h
Kimi 升級：300 個 Agent 組網，從「學霸」變身「專案經理」
💡看看 Kimi 如何透過多 Agent 編排而非僅僅增加模型規模來擴展 AI 能力。
⚡ 30-Second TL;DR
有什麼變化
編排 300 個不同的 AI Agent
為什麼重要
這種架構展示了一條可擴展的路徑，無需無限擴展單個模型參數即可管理複雜的 AI 工作流程。
下一步行動
探索多 Agent 框架設計模式，看看如何將您自己的複雜任務分解為專業的 Agent 工作流程。
誰應關注：Developers & AI Engineers
關鍵要點
- •編排 300 個不同的 AI Agent
- •減輕萬億參數模型的運算負擔
- •從個體任務執行轉向組織級專案管理
- •專注於多 Agent 協作以處理複雜工作流程
🧠 深度解析
Web-grounded analysis with 21 cited sources.
🔑 增強重點摘要
- •Kimi 的多 Agent 系統（Agent Swarm/Claw Groups）能夠動態生成並協調多達 300 個子 Agent 進行並行任務執行，顯著縮短處理時間，並能處理複雜的長程任務，如遺留代碼遷移和全面的市場分析。
- •該系統利用混合專家（MoE）架構（例如 K2.7-Code、K2.5、K2），僅激活與特定任務最相關的專家模塊（例如 1.1 萬億總參數中的 320 億參數），從而將「思考 token」消耗降低高達 30%，有效減輕萬億參數模型的運算負擔。
- •Kimi 的多 Agent 方法旨在建立開放生態系統，允許與第三方 Agent 和工具集成，將其定位為「Agent 作業系統」（Agent OS），而非封閉的產品生態。
- •Kimi 在編程基準測試（如 SWE-Bench Pro、LiveCodeBench）和視覺轉代碼生成方面表現出色，能夠從簡單的提示詞生成完整的前端界面，並支持多模態輸入（如圖像、視頻）。
- •Kimi 的 Agent 集群架構通過可訓練的編排器（Orchestrator）動態創建子 Agent，並利用 PARL（Parallel-Agent Reinforcement Learning）算法優化並行調度，實現無需預設工作流程的自主分工。
📊 競品分析▸ Show
| 功能/特點 | Kimi (K2.5/K2.6/K2.7-Code) | Anthropic (Claude Code/Opus) | OpenAI (ChatGPT) | DeepSeek |
|---|---|---|---|---|
| Agent 架構 | 原生 Agent Swarm/Claw Groups，模型內生，動態生成與協調多達 300 個子 Agent | 外部 SDK 驅動的 Subagents 協同，需人工配置角色與規則 | 產品層深度集成 Agent 能力，封裝於工作流中 | 開源模型，具備稀疏注意力機制 |
| 並行執行 | 高度並行，最多 300 個子 Agent 同時執行 4,000 步，處理時間縮短最高 4.5 倍 | 單主線程為主，Subagents 可並行但非原生調度，依賴人工管理 | 產品層集成，具體並行能力未明確強調 | 未明確強調原生多 Agent 並行執行能力 |
| 上下文窗口 | Kimi AI 曾達 200 萬漢字，K2.5/K2.6/K2.7-Code 為 256K token | Claude Opus 4.5 具備長上下文能力，但具體數值未在搜索結果中直接與 Kimi 對比 | 未在搜索結果中直接與 Kimi 對比上下文窗口長度 | DeepSeek 3.2 EXP 具備長上下文能力，但具體數值未在搜索結果中直接與 Kimi 對比 |
| 成本效益 | API 輸入 6.5 元/百萬 token，輸出 27 元/百萬 token (K2.7-Code)，K2.5 API 約 $0.60/百萬 token 輸入，顯著低於競爭對手 | API 成本較高 | 較高，ChatGPT Plus 為 $20/月，API 成本約 $30/百萬 token | 成本較低，API 成本可降低高達 50% |
| 多模態能力 | 原生多模態架構，直接理解圖像、視頻，支持視覺轉代碼生成 | 可通過 MCP 接入工具，但在中文辦公場景支持較弱，缺乏視覺理解原生能力 | 未在搜索結果中直接與 Kimi 對比多模態能力 | 未明確提及原生多模態能力 |
| 生態開放性 | 開放性強，Claw Groups 不綁定自家模型，允許接入任意第三方 Agent，定位為 Agent OS | 提供 Agent SDK，高度可控與可審計，但需用戶手動定義角色 | 產品層深度集成，生態相對封閉 | 開源模型，可借助社區力量完善技術生態 |
| 編程性能 | SWE-Bench Pro 58.6% (K2.6)，SWE-Bench Verified 76.8% (K2.5)，LiveCodeBench 85% (K2.5)，前端開發和視覺編碼強勁 | SWE-Bench Verified 82.0% (Claude Code)，在編程方面領先 | SWE-Bench Verified 80.0% (GPT-5.2) | CRUXEval 62.3% (MLA) |
🛠️ 技術深入
- Agent Swarm/Claw Groups 架構: Kimi 的多 Agent 系統能夠動態創建和協調多達 300 個子 Agent，以並行方式執行複雜任務。這些 Agent 並非簡單地分發任務，而是自主創建、自主協調，形成一個「數字團隊」。
- 混合專家 (MoE) 架構: Kimi K2.7-Code 採用 MoE 架構，總參數量達 1.1 萬億，但在處理特定問題時，僅激活最相關的專家模塊（約 320 億參數），而非每次調用全部參數。這種「專家會診」模式將「思考 token」消耗減少了 30%。
- 超長上下文窗口: Kimi 模型（如 K2.5、K2.6、K2.7-Code）支持高達 256K token 的上下文窗口，Kimi AI 曾將無損上下文長度提升至 200 萬漢字，使其能夠一次性「閱讀」並理解大量文本。
- 原生多模態架構: Kimi K2.5 和 K2.6 具備原生多模態能力，可以直接理解和處理圖像、視頻，並能基於視覺信息進行跨模態推理和視覺轉代碼生成（例如從 UI 圖像自動生成前端代碼）。
- 高效位置編碼與分層注意力機制: 為解決傳統 Transformer 架構在處理長序列時的計算複雜度和內存消耗問題，月之暗面團隊採用了改進的旋轉位置嵌入 (RoPE) 和類似「稀疏注意力」的分層注意力機制。
- Kimi Linear (KDA): 月之暗面開源的 Kimi Linear 是一種基於 Kimi Delta Attention (KDA) 的混合線性注意力架構，在長上下文場景下，解碼速度最高提升 6 倍，KV 緩存需求降低 75%。
- 工具調用與記憶: Kimi 模型原生支持工具使用、JSON 模式、部分輸出和互聯網搜索。K2.6 的 Claw Groups 允許每個 Agent 攜帶自己的專業工具集和持久化記憶上下文。
- 優化的推理引擎: 月之暗面自研的推理框架針對長文本場景進行了深度優化，實現了在消費級硬件上也能流暢處理數十萬字的輸入。
🔮 前景展望AI analysis grounded in cited sources
AI 行業的估值邏輯將從「銷售模型」轉向「銷售組織」。
Kimi 的多 Agent 系統強調組織級智能和複雜工作流管理，這預示著市場將更重視 AI 系統的協同能力而非單一模型的智能水平。
AI 編程的門檻將被大幅降低，開發效率顯著提升。
Kimi 增強的編碼能力和多 Agent 編排系統，能夠自動化複雜的開發任務，使普通開發者也能更高效地進行 AI 編程。
對算力資源的需求將持續爆炸性增長，可能導致供應短缺。
AI 智能體作為規模化部署的生產力工具，其持續、長鏈路、高密度的調用模式，將對算力供給造成巨大壓力。
⏳ 時間線
2023-03
月之暗面 (Moonshot AI) 公司成立。
2023-10
Kimi AI 智能助手產品發布，支持 20 萬漢字輸入。
2024-03
Kimi AI 上下文窗口長度提升至 200 萬漢字。
2025-01
Kimi K2.5 模型發布，引入 Agent Swarm 功能，支持最多 100 個子 Agent 並行執行和原生多模態能力。
2025-07
月之暗面發布並開源萬億參數 MoE 架構基礎模型 Kimi K2。
2026-04
Kimi K2.6 發布，增強代碼能力和多 Agent「Agent 集群」（Claw Groups）能力，可協調多達 300 個子 Agent 和 4,000 個步驟。
2026-06
Kimi K2.7-Code 發布，進一步減少 30%「思考 token」消耗，並推出可調度 300 個 Agent 的桌面 Agent 應用。
📎 來源 (21)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 钛媒体 ↗