实测Kimi K2.5：召唤 100 个 AI 同时干活，这就是 Agent的「蜂群时刻」

　　Kimi K2.5 带来了一个「蜂群时刻」。

　　这两天 K2.5 的更新在海内外都赚足了讨论，一个原生多模态模型，提供了最先进的编码和视觉功能，以及自主智能体集群范式——召唤一群 agent 过来完成任务，听上去也太酷了。

　　如果你还没体验过，快来参与本期的福利放送：Kimi 和 APPSO 给大家准备了一批 Kimi Agent 日卡福利，包括24 小时会员+ 3 次集群功能使用，专属链接稍后会掉落在留言区，先到先得，期待大家体验后回来与我们分享使用感受。

　　技能多 Agent，好酷炫好好玩

　　K2.5 目前已经全量推出，客户端即可使用。K2.5 Agent 有免费体验次数，而 K2.5 集群则是付费功能，目前只对 Allegretto 计划。订阅了也有点数限额：每个月起步 47 点，每次任务消耗 3 点。

　　总体上是够用的，作为 Kimi 老用户，当然是买，买它。正好手边有一堆文件需要合并，懒得手动复制粘贴了，就发给 Kimi 打开集群模式让它统一处理。

　　集群模型下，Kimi 还给这个地方加了个设计：会有一个工牌掉落下来，你可以看到是哪位「负责人」在执行任务。

　　合并文档最终的效果不错，而且我还进一步提出让它整理和调整各个层级的小标题，它可以实现先分析、提方案、再执行的链路。不过最好是下载到本地检查格式，Kimi 自带的预览功能，有时候不能准确反映当轮次的修改效果。

　　为了进一步看它的多并发操作，我参考官方 demo，测试了一个任务：检索近三个月内所有关于集群式 agent 的文献，然后整理到一个 excel 表格里，提炼核心发现和研究创新点。

　　这次安排的「人员」就比较多了，各个 agent 纷纷赶来支援，每个人都有自己分配到的任务。

　　这个的耗时明显比之前要长了很多，但没关系，可以先挂机让它自己跑。同时，我又安排了一个考察多模态能力的任务。

　　这是上传给 Kimi 的原始素材图，视频版中有更多动效。Kimi 要做的是把这个设计，转换为网页，而且保留所有的设计元素、风格。

　　Prompt 写得简单，但实际工作是复杂的：既要识别、理解，又要生图，还要写前端。

　　这个任务也花了比较长的时间，但最终效果很好。有一些小细节上的问题，比如图片排版、悬停和跳转等 bug。不过核心的设计元素都保留了，并且网页功能也完备。

　　再回头来看，文献检索的任务也好了，整整齐齐列了一个 excel 出来：

　　最后一个测试任务是：上小红书找达人，要求是数码博主，粉丝量大于 5000，累计笔记多于 100 条。这两个条件其实很宽松，真的找起来范围很大。

　　Kimi 碰到的第一个问题是：进不去小红书。其实这里可以主动询问用户，类似 GPT agent 会用的办法。

　　但并没有，Kimi 转而去了新榜抓数据，这样既绕开了网页权限，又能直接读取数字。这不算是个很好的策略，最后只能抓出来数量很少的博主，显然小红书上不可能只有这些。另外，被挡在平台外，也无法体现 Kimi 的视觉能力，毕竟抓取的都是现成的数字。

　　不过总体上，Swarm Agent 给人一种踏实感。这些工作单体 agent 能不能做？自然是可以，只是要花时间、错漏多。而一群人来做，更加的令人安心。

　　创「新」在哪里？

　　说到这里，你可能会问：这不就是 Multi-Agent（多智能体）吗？很多公司都在做啊。

　　关键区别在于「谁来当老板」。

　　在传统的 Multi-Agent 系统中，人类需要预先设计好整个工作流程：谁负责什么、谁先谁后、结果怎么汇总。就像搭积木一样，你得先把图纸画好。而 Agent Swarm 的核心创新在于——AI 自己就是设计师。

　　Kimi 团队用了一种叫 PARL（Parallel-Agent Reinforcement Learning，并行代理强化学习）的训练方法，让模型学会了「分解任务」和「调度资源」的能力。你不需要告诉它「先派 3 个人去搜资料、再派 2 个人去写总结」，它自己就能判断：这个任务适合拆成几份？每份派谁去做？什么时候该并行、什么时候该串行？

　　换句话说，Multi-Agent 是「人类编排的交响乐团」，Agent Swarm 是 AI 自己组队的爵士乐。

　　还有一个容易混淆的概念是 MoE：Mixture of Experts，混合专家模型。主流大模型内部都用了 MoE 架构，但它们和 Agent Swarm 完全是两回事。

　　MoE 发生在模型内部。你可以把它理解为：模型里住着一群「专家」，每次处理任务时，模型会动态决定激活哪几个专家来参与。但这些专家没有独立的身份，也不会互相协作，它们只是模型内部的不同计算路径。

　　Agent Swarm 发生在模型外部。每个子 Agent 都是一个相对独立的执行单元，有自己的任务目标，可以并行运行，甚至可以调用工具（比如搜索网页、写代码）。它们之间是真正的「协作关系」，而不是简单的「激活关系」。

　　用个不太严谨的比喻：MoE 像是一个人的大脑里分区工作，Agent Swarm 像是一个公司里的团队协作。

　　从实测和官方演示来看，Agent Swarm 至少在以下几类任务上表现出色：

　　第一类是大规模信息收集。 比如官方案例中 100 个领域创作者调研，以及我们这次实测的小红书博主检索。处理这类任务的共同特点是「可并行」——每个子任务相对独立，不需要太多中间协调。

　　第二类是视觉+代码的复杂任务。 Kimi K2.5 强调自己是「原生多模态」模型，能看懂图片和视频。结合 Agent Swarm 后，它可以一边分析 UI 截图，一边派不同 Agent 分别处理布局、样式、交互逻辑，最后生成完整的前端代码。

　　第三类是长文档处理。 官方提到，Kimi Agent 可以处理「1 万字的论文或 100 页的文档」，支持 Word 批注、Excel 透视表、LaTeX 公式等高级功能。Agent Swarm 可以把长文档拆成多个章节，让不同 Agent 并行处理，再汇总成统一格式——正如最开始的实测案例一样。

　　不过，别急着兴奋，Agent Swarm 并非「开了挂」。在实际使用中，你会发现几个明显的边界：

　　第一，任务本身得「可拆」。 如果任务步骤之间有强依赖关系——比如「先想清楚论点，再去找证据，最后才能写结论」——强行并行反而会帮倒忙。

　　第二，成本会显著上升。 100 个 Agent 同时工作，意味着 100 倍的 API 调用。虽然总时间缩短了，但 Token 消耗是实打实的。

　　第三，质量不一定比单 Agent 好。 在某些需要深度推理的任务上，比如数学证明、复杂编程题，单 Agent 的「深度思考模式」反而更可靠。Agent Swarm 的优势在于「广度」和「速度」，而不是「深度」。实测下来，部分任务 Kimi 会自动调剂成单 Agent 模型，这点 Kimi 团队成员也在 reddit 的线上问答里得到了证实。

　　Kimi 团队眼中的未来

　　从目前的使用体验来看，集群还可以继续提升，包括但不限于：

　　更智能的调度：目前的 Agent Swarm 已经能自动分解任务和创建 Agent，但调度策略还比较「粗粒度」。未来有希望能建立更精细的资源分配——比如根据任务的紧急程度、复杂度、依赖关系，动态决定「派多少人、干多久」。

　　更深度的协作：现在的子Agent之间交流有限，主要是「各自干完活，把结果交给老大汇总」。未来可能会支持子Agent之间的直接协作，比如「AAgent发现一个问题，可以主动呼叫 BAgent来帮忙」。

　　更广泛的工具集成：扩展 Agent 可以调用的工具库，包括但不限于更多的办公软件、开发环境、数据分析工具。目标是让 Agent Swarm 能真正「端到端」地完成复杂工作流。

　　在 Reddit 的 AMA（Ask Me Anything）活动中，Kimi 团队也回答了大量关于技术、产品和愿景的问题。透过这些回答，我们可以拼凑出他们对 Agent Swarm 乃至整个 AI 未来的思考。

　　AMA 中还有一个问题很有意思：许多说法称，scaling law 已经碰到了上限，团队如何看待这个问题呢？

　　杨植麟的回答是：Agent 集群就是他们走出的尝试。展望未来，或许会出现一种几乎不、甚至完全不需要人类先验信息的模型。

　　这个愿景听起来有些理想化，但细想之下颇有深意。过去两年，AI 领域一直在「卷参数」——模型越来越大、算力越来越贵。而 Agent Swarm 代表了一种不同的思路：与其让一个超级大脑做所有事，不如让一群大脑分工协作。

　　这可能才是通向 AGI 的更务实路径：单独一只蜜蜂并不起眼，但当成千上万只蜜蜂协同工作时，它们能建造出精妙的蜂巢。