Phase 16: Multi-Agent & Swarms

Les études de cas et l'état de l'art de 2026

Type: Learn (capstone)

Languages: —

Prerequisites: all of Phase 16 (Lessons 01-24)

Time: ~90 minutes

Problème

L'ingénierie multi-agents est une discipline jeune. Les références de production sont rares et couvrent chacune une partie différente de l'espace. Il est utile de les lire une à la fois; il est plus utile de les comparer en série. Cette leçon traite trois études de cas canoniques de 2026 comme une liste de lecture de bout en bout, pince les schémas communs et cartographies du paysage de cadre afin que vous puissiez faire des choix de cadre à partir de la connaissance, pas du marketing.

Concept

Système de recherche anthropologique

Le cas des superviseurs de production. Claude Opus 4 planifie et synthétise; Claude Sonnet 4 recherche en parallèle.https://www.anthropic.com/engineering/multi-agent-research-system.

Résultats de mesure clés:

• +90.2%amélioration par rapport à l'Opus 4 sur les évaluations internes de la recherche par un seul agent.
• 80% of BrowseComp varianceexpliqué par token usage alone Le multi-agent gagne en grande partie parce que chaque subagent obtient une nouvelle fenêtre de contexte.
• 15x tokens per querycontre un agent unique.
• Rainbow deploymentParce que les agents sont longs et états.

Les cours de conception codifiés:

1. Scale effort to query complexity.Simple → 1 agent avec 3 à 10 appels d'outils. moyen → 3 agents. recherche complexe → 10+ subagents.
2. Broad first, then narrow.Les subagents effectuent des recherches approfondies; le plomb est synthétisé; les subagents de suivi effectuent des recherches approfondies ciblées.
3. Rainbow deploys.Gardez les anciennes versions en vie jusqu'à ce que leurs agents en vol soient terminés.
4. Verification is not optional.Le système a été observé pour halluciner sans rôles explicites de vérificateur.

Il s'agit du cas de référence pour la topologie des travailleurs en charge (phase 16 · 05) à l'échelle de la production.

MetaGPT / ChatDev

Le cas de décomposition du rôle de production SOP couvre arXiv:2308.00352 (MetaGPT) et arXiv:2307.07924 (ChatDev).

MetaGPT encode les SOP de l'ingénierie logicielle comme des instructions de rôle: Gérant de produit, architecte, chef de projet, ingénieur, ingénieur de QA.Code = SOP(Team). Chaque rôle dispose d'un prompt étroit et spécialisé; les délivrances inter-rôles portent des objets structurés (documents de RPD, documents d'architecture, code).

Contribution de ChatDev: communicative dehallucination.Les agents demandent des détails avant de répondre un agent de conception demande au programmeur quel langage est prévu avant de dessiner l'interface utilisateur, plutôt que de deviner.

MacNet (arXiv:2406.07155) étend ChatDev à >1000 agents via DAGs. Chaque nœud DAG est une spécialisation de rôle; les bords codent les contrats de transfert.

Les leçons de conception:

1. Structure matters more than size.Une équipe de 5 rôles est plus forte qu'un groupe de 50 agents non structurés.
2. Handoff contracts in writing.Les objets passés entre les rôles suivent un schéma.
3. Communicative dehallucinationest un modèle bon marché et porteur de charges.
4. DAGs scale further than chat.Quand le flux est reconnaissable, encodez-le.

Il s'agit du cas de référence pour la spécialisation des rôles (phase 16 · 08) et la topologie structurée (phase 16 · 15).

Écosystème OpenClaw / Moltbook

Le cas de la production à l'échelle de la population.

• Nov 2025:Les navires de Clawdbot (l'agent de codage local de Peter Steinberger)
• Dec 2025 – Mar 2026:renommé deux fois (Clawdbot → OpenClaw → continué sous OpenClaw).
• Feb 2026:Moltbook est lancé comme un réseau social uniquement pour les agents sur les mêmes primitifs; ~ 2,3 millions de comptes d'agents en quelques jours.
• Mar 2026 (2026-03-10):Meta acquiert Moltbook.
• Mar 2026:La Chine restreint OpenClaw sur les ordinateurs du gouvernement.
• Mar 2026:OpenClaw traverse 247 000 étoiles de GitHub.

Voici à quoi ressemble le multi-agent quand on met des millions d'agents sur un substrat partagé:

• Emergent economic activity.Les agents achètent, vendent et servent les uns les autres en utilisant des paiements par jeton.
• Prompt-injection risks at population scale.Un prompt malveillant dans un profil d'agent viral se propage à des milliers d'interactions d'agent à agent en quelques heures.
• State-level regulatory response.Dans les semaines qui suivent le lancement, la réglementation atteint l'écosystème.

Les leçons de conception tirées de ce cas sont en partie techniques, en partie de gouvernance:

1. Multi-agent at population scale is a new regime.Les meilleures pratiques individuelles (vérification, clarté de rôle) sont toujours applicables, mais ne sont pas suffisantes.
2. Prompt injection is the new XSS.Traiter les profils d'agents et les messages interagents comme des entrées non fiables par défaut.
3. Regulation is faster than design cycles.Planifiez-le.
4. Open-source + viral scale compounds.247 000 étoiles en 4 mois est inhabituel; conception pour déploiement-explosion-charge.

Regardez !OpenClaw WikipediaPour les bases techniques, les repositories Clawdbot / OpenClaw exposent la boucle locale ReAct; les messages publics de Moltbook révèlent l'architecture du graphique social en haut.

Paysage cadre avril 2026

Chaque cadre majeur est maintenant des navires .MCPsoutien; la plupart des navires A2ALa compatibilité du protocole n'est plus un facteur de différenciation.

Les schémas communs dans les trois cas

1. Orchestrator + workers(superviseur explicite anthropic, PM-as-superviseur MetaGPT, agents individuels OpenClaw + effets réseau).
2. Structured handoff contracts(des descriptions de tâches sous-agents anthropiques, documents de PRD/architecture MetaGPT, objets OpenClaw A2A).
3. Verification as first-class role(Vérificateur d'Anthropic, ingénieur de QA de MetaGPT, validateurs en réseau d'OpenClaw).
4. Scaling is topology + substrate, not just more agents(déploiements d'arc-en-ciel, MacNet DAGs, sous-strates à l'échelle de la population).
5. Cost is material and disclosed(15x tokens, budget par rôle dans MetaGPT, prix par interaction dans Moltbook).
6. Security posture is explicit(L'anthropic sandboxing, les restrictions de rôle de MetaGPT, l'injection rapide d'OpenClaw comme surface d'attaque connue).

Choisir une référence pour votre prochain projet

• Production research / knowledge task → Anthropic Research.Les subagents de nouveau contexte gagnent.
• Engineering / tool-chain workflow → MetaGPT / ChatDev.Rôle + SOP + contrats de transfert.
• Network-effect social product → OpenClaw / Moltbook.Substrate + économie émergente.
• Classic enterprise automation → CrewAI or LangGraph(leader de production, durée de fonctionnement stable).

Le résumé de l'état de l'art de 2026

Où se trouve le champ en avril 2026:

• Frameworks are converging.Le support MCP + A2A est des mises à table.
• Evaluation is hardening.Le SWE-bench Pro, le MARBLE, le STRATUS, est le test de réalité résistant à la contamination.
• Production failure rates are measurableLe domaine est sorti de l'ère de "l'apparence parfaite en démo".
• Cost is the central engineering constraint.Les prix des jetons par tâche, les prix des cloches murales par interaction, les coûts de déploiement de l'arc-en-ciel.
• Regulation is a near-term input, not a background concern.Les juridictions se déplacent plus vite que les cycles de déploiement individuels.

Utilisez-le

outputs/skill-case-study-mapper.mdest une compétence qui lit une conception de système multi-agents proposée et la trace à l'étude de cas la plus proche, en faisant apparaître les décisions de conception que l'étude de cas a déjà testées.

La faire partir

Règles de lancement pour la production multi-agent en 2026:

• Start from a case study, not from scratch.Choisissez le plus proche de la recherche anthropologique / MetaGPT / OpenClaw et adaptez-vous.
• Adopt MCP + A2A.La portabilité entre les cadres est précieuse; le support du protocole est gratuit.
• Measure against SWE-bench Pro or your internal Pro-equivalent.Il est contaminé.
• Pay the verification tax.Un vérificateur indépendant coûte ~20-30% de votre budget de jeton et achète une précision mesurable.
• Rainbow deploy long-running agents.Les courses d'agents à plusieurs heures deviennent une routine.
• Read WMAC 2026 and the MAST follow-ups.La discipline bouge rapidement.

Exercices

1. Lisez le système de recherche anthropologique de bout en bout. Identifiez trois décisions de conception qui changeraient si vous remplaciez Opus 4 par un modèle plus petit (par exemple, Haiku 4).
2. Lisez les sections 3-4 du MetaGPT (arXiv:2308.00352). Encodez un SOP à partir de votre propre domaine (pas un logiciel) comme des instructions de rôle.
3. Lisez ChatDev (arXiv:2307.07924). Identifiez le mécanisme de "déhallucination communicative".
4. Lisez sur OpenClaw et Moltbook. Choisissez un mode d'échec spécifique qui est apparu à l'échelle de la population et qui ne apparaîtrait pas dans un système de 5 agents. Comment vous contre-engineeriez-vous ?
5. Choisissez votre projet multi-agent actuel. Lequel des trois études de cas est la référence la plus proche? Quelles décisions de conception de cette étude de cas n'avez-vous pas encore adoptées?

Les termes clés

Pour en savoir plus

• Anthropic — How we built our multi-agent research system la référence de production des travailleurs en charge
• MetaGPT — Meta Programming for Multi-Agent Collaborative Framework Décomposition du rôle du SOP
• ChatDev — Communicative Agents for Software Development déhallucination communicative
• MacNet — scaling role-based agents to 1000+ Équelle basée sur le DAG
• OpenClaw on Wikipedia vue d'ensemble des écosystèmes
• WMAC 2026 Atelier du programme de pont 2026 de l'AAAI sur la coordination multi-agents
• LangGraph docs chef de la production
• CrewAI docs cadre fondé sur les rôles

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.