Genspark啟示錄：多智能體混合的超級工程｜甲子光年

從“最強大腦”到“智能協(xié)作體”。

作者｜王藝

編輯｜王博

“單模型性能的邊際提升，正在快速遞減。”

近期我們和一些大模型（LLM）研發(fā)者溝通時，不少人都有類似的感受。

過去幾年，AI模型性能的提升主要來自兩個方向：模型參數(shù)規(guī)模擴大，訓練數(shù)據(jù)與算力的增長。

根據(jù)OpenAI、Anthropic、DeepMind等團隊的研究，模型性能與參數(shù)規(guī)模之間呈冪律關(guān)系（Power Law），即性能隨參數(shù)增加而提升，但提升幅度逐漸減小，表現(xiàn)出邊際收益遞減的趨勢。

這也和我們的觀察所吻合，今年以來，我們看到的模型改進主要來自“上下文記憶增強”“多模態(tài)融合”“推理鏈優(yōu)化”等方向，這些都不是純粹靠“變大”實現(xiàn)的，而是靠“變巧”。單一模型的“性能天花板”已悄然出現(xiàn)。

在海外，OpenAI、Anthropic、Google等大模型公司的最新模型，在性能上的差距越來越小。用戶大體的感知是：GPT系列在創(chuàng)造性和邏輯推理方面略勝，Claude系列在編碼和文本理解方面略優(yōu)，Gemini系列在多模態(tài)方面略強。但對C端用戶來說，這種差異不再能直接轉(zhuǎn)化為新的付費理由。

「甲子光年」發(fā)現(xiàn)，市場的競爭焦點從“模型誰更聰明”轉(zhuǎn)向“誰能更好地用這些模型”，從“模型競爭”過渡到“系統(tǒng)競爭”。AI大模型參數(shù)規(guī)模不再是關(guān)鍵，AI系統(tǒng)工程架構(gòu)的創(chuàng)新才是新的突破點。

在這種背景下，AI Agent（智能體）的成為了AI行業(yè)新的敘事主體。甲子光年智庫在《中國AI Agent行業(yè)研究報告》中，將AI Agent定義為具有自主性、反應性、交互性等特征的智能“代理” ，用公式表示就是：大模型時代的AI Agent=LLM x（規(guī)劃+記憶+工具+行動）。

而在眾多AI Agent公司之中，一家?guī)缀鯖]有投放廣告、僅24人規(guī)模的公司卻被頻頻提起——Genspark。

很多人對Genspark的印象還停留在華人硅谷創(chuàng)業(yè)公司、不斷更新的產(chǎn)品功能以及45天3600萬美元ARR（年度經(jīng)常性收入）的商業(yè)成績，但更有價值的是，這家從AI搜索起家的公司，用一套Mixture-of-Agents（多智能體混合，簡稱MoA）架構(gòu)，把多模型融合成一個完整系統(tǒng)。

Genspark代表了從“做出更聰明的模型”到“讓模型們協(xié)作”的范式轉(zhuǎn)變，這也是一個關(guān)于工程哲學的故事。

1.在AI Agent領(lǐng)域率先引入MoA的概念

Genspark是由小度前CEO景鯤（Eric Jing）與小度前CTO朱凱華（Kay Zhu）聯(lián)合創(chuàng)立的MainFunc公司推出的AI Agent產(chǎn)品，2024年6月Beta版上線，初期定位為AI搜索引擎，通過生成無偏見的Sparkpages頁面提供可信信息，主要面向美國市場。

景鯤前下屬、AI從業(yè)者劉佳（化名）告訴「甲子光年」，景鯤還在小度工作的時候，就多次提到要“重構(gòu)搜索背后的內(nèi)容生態(tài)”。

后來，Genspark陸續(xù)加入Multi-Agent、Deep Research等功能，并于2025年4月升級為Super Agent產(chǎn)品，上線9天實現(xiàn)了1000萬美元的ARR，上線45天就實現(xiàn)了3600萬美元的ARR。對比來看，AI Coding領(lǐng)域的明星企業(yè)Cursor，實現(xiàn)1000萬美元ARR，用了21個月。

在眾多AI Agent產(chǎn)品中，Genspark去年底引入了MoA的概念并將其工程化。可以說，Genspark是全球最早將MoA這一概念落地到消費級AI Agent產(chǎn)品中的團隊之一。而Genspark在2024年12月的宣傳視頻中則稱其為“world's first Mixture-of-Agents (MoA) system（世界首個MoA系統(tǒng)）”

簡單來說，MoA系統(tǒng)會讓多個專長不同的模型組成一個多腦協(xié)作體：比如，OpenAI模型負責創(chuàng)造性與自然語言任務，Claude負責邏輯推理與結(jié)構(gòu)化生成，Gemini負責視覺與多模態(tài)感知。當然，實際工作中MoA的機制會更復雜。

圖片來源：Genspark

不過，MoA并非Genspark首創(chuàng)。

2024年6月，Junlin Wang等作者在《Mixture-of-Agents Enhances Large Language Model Capabilities》論文中指出，隨著LLMs數(shù)量的不斷增加，如何利用多種LLMs的集體專長成為一個令人興奮的開放方向，他們寫道：“為此，我們提出了一種新方法，通過Mixture-of-Agents（MoA）利用多種LLMs的集體優(yōu)勢。在我們的方法中，我們構(gòu)建了一個分層的MoA架構(gòu)，每一層由多個LLM agent組成。每個agent在生成其響應時都會將上一層所有agent的輸出作為輔助信息。MoA模型在AlpacaEval 2.0、MT-Bench和FLASK上取得了最先進的性能，超越了GPT-4 Omni。”

MoA架構(gòu)，圖片來源：《Mixture-of-Agents Enhances Large Language Model Capabilities》

這篇論文的作者都來自Together AI，這是一家以研究為驅(qū)動的AI公司，賦能開發(fā)者和研究人員訓練、微調(diào)并部署生成式AI模型。

2025年1月，Genspark在其官方博客中發(fā)布了一篇文章《Enhancements in Mixture of Agents（多智能體混合的改進）》，文中提到：Mixture of Agents方法代表了AI領(lǐng)域的重大進展，特別是在提升LLMs能力方面。通過利用多個模型的力量，MoA不僅提高了性能，還為AI應用的創(chuàng)新開辟了新途徑。

Genspark還指出，MoA架構(gòu)并不限于兩層結(jié)構(gòu)；它可以擴展為三層甚至更多層，從而實現(xiàn)模型之間更復雜的交互。這種多層化的設(shè)計可以通過跨多輪的響應綜合進一步優(yōu)化輸出質(zhì)量，提升最終結(jié)果的整體水平。舉例來說，在一個三層架構(gòu)中，第一層生成的初始響應會被第二層進一步加工處理，隨后在最終層進行聚合，從而得到一個更細膩、更全面的輸出結(jié)果。

值得注意的是，Genspark在這篇博客中引用了Together AI的MoA論文。

《Enhancements in Mixture of Agents》，圖片來源：Genspark

今年4月，Genspark發(fā)布Super Agent，全面轉(zhuǎn)型通用Agent，不再局限于AI搜索。

朱凱華在Genspark Super Agent上線后發(fā)布的公開信中表示：“我們做出了一個違反直覺的決定。盡管我們旗下AI搜索產(chǎn)品已覆蓋超過500萬用戶，但我們還是要將其放棄。至于理由，是因為我們認為傳統(tǒng)AI搜索已經(jīng)過時。”

《Why I Killed Our AI Search Product With 5 Million Users》，圖片來源：Genspark

Genspark Super Agent的確也取得了不錯的測評成績。在今年4月的GAIA基準測試中，Genspark就超過了Manus和OpenAI Deep Research。

圖片來源：Genspark

景鯤將這一成績歸功于“大模型、工具集、數(shù)據(jù)集”三者的協(xié)同作用，“它們讓Genspark Super Agent快速、可靠、超級可控。”

圖片來源：Genspark

轉(zhuǎn)型后的Genspark，依然堅持了MoA架構(gòu)。

Genspark Super Agent利用由9個不同規(guī)模的大模型組成了MoA系統(tǒng)，該系統(tǒng)允許Agent針對特定任務動態(tài)選擇最合適的模型，從而在各種場景中確保最佳性能。與依賴單一模型的傳統(tǒng)AI系統(tǒng)不同，這種架構(gòu)增強了靈活性和效率，讓Genspark Super Agent成為用戶的多功能工具。

除此之外，我們還了解到，Genspark Super Agent可以調(diào)用圖像生成模型、視頻生成模型、音頻生成模型以及專用功能模型（翻譯、搜索、代碼、分析等），其背后的模型有將近50種，而且會動態(tài)更新。

「甲子光年」認為，隨著新一代基礎(chǔ)模型陸續(xù)登場，通用Agent的競爭格局也在重排。誰能最快吸納新模型能力、誰能最平衡模型與體驗，決定了下一個拐點。

2.Less Control, More Tools

要讓多個模型協(xié)作，不僅是模型問題，而是工程問題。

Genspark的核心突破是打造了一套稱為Agent Engine的中樞系統(tǒng)。它由兩個關(guān)鍵機制組成：模型編排（Model Orchestration）與改進循環(huán)（Improvement Loop）。

MainFunc公司CTO朱凱華用一句話概括了Genspark團隊的核心理念：“少控制，多工具（Less Control, More Tools）。”意思是不追求中心化智能，而讓系統(tǒng)自己找到最優(yōu)解。

圖片來源：朱凱華《Less Control, More Tools: How Genspark Built a Super Agent That Scales》演講

AI Agent的本質(zhì)是在一個循環(huán)中，基于環(huán)境反饋來選擇合適的工具，最終完成其任務的智能體。其核心架構(gòu)包含大腦（Brain）、規(guī)劃（Planning）、記憶（Memory）、工具使用（Tool Use）四個關(guān)鍵組件，主流的Agent框架有ReAct（Reason-Act）、Plan-Execute、Multi-Agent等。

隨著市場競爭的激烈，越來越多的AI Agent產(chǎn)品都在采用多智能體（Multi-Agent）架構(gòu)。比如，Manus采用了規(guī)劃-執(zhí)行-驗證三級代理架構(gòu)，Skywork采用了五大專家Agent協(xié)同，F(xiàn)ellou推出了智能體網(wǎng)絡，Comet推出了基于瀏覽器會話的Agent集群等。相關(guān)產(chǎn)品也給用戶帶來了不錯的使用體驗。

多智能體實現(xiàn)模擬人類工作流程，圖片來源：甲子光年智庫《2024年AI Agent行業(yè)報告》

不過，我們了解到，市面上有一些聲稱自己采用了Multi-Agent架構(gòu)的Agent產(chǎn)品，實際上卻只是單一模型的角色扮演：角色A負責規(guī)劃、角色B負責執(zhí)行、角色C負責驗證。即使AutoGen、LangGraph等框架支持多Agent，但是底層依然依賴單一大模型。

如果傳統(tǒng)智能體的架構(gòu)是“單一LLM→角色A（規(guī)劃）→角色B（執(zhí)行）→角色C（驗證）”，本質(zhì)是“一個大腦控制多個手”；那么Genspark MoA的架構(gòu)則是“任務輸入 → 模型A（專業(yè)分析） → 模型B（創(chuàng)意思考） → 模型C（邏輯驗證） → 智能融合 → 最優(yōu)輸出”，本質(zhì)是“多個大腦的協(xié)同思考”。

這種“多個大腦協(xié)同思考”的MoA架構(gòu)比起單一模型加持的Multi-Agent架構(gòu)產(chǎn)品性能顯著提升。

MoA系統(tǒng)其實不僅是Genspark一家公司的優(yōu)勢，而是整個通用Agent行業(yè)的優(yōu)勢。曾經(jīng)是OpenAI第五號員工，現(xiàn)在是Convergence AI工程負責人的鄭淺，今年3月在錦秋基金組織的分享活動上就明確表示：“Agent公司的創(chuàng)業(yè)核心競爭力在于其Agent orchestrator（編排）。”

鄭淺認為，Agent核心是“大腦”即Agent orchestrator。若單純縫合工具而不加強Agent orchestrator開發(fā)，就像沒有大腦只有工具的人，無法很好執(zhí)行任何任務。若Agent orchestrator能同時生成多個Agent，每個負責一篇報告并行處理，最后整合信息，效率將是線性處理的10倍。因此，并行Agent必然是未來趨勢。

如果說MoA系統(tǒng)是Genspark在“模型編排”領(lǐng)域下的重注，那么評分機制就是Genspark在“改進循環(huán)”領(lǐng)域的一步妙手。

在Agent結(jié)構(gòu)中，評分器（Scorer）是不可或缺的模塊，它不僅是模型生成內(nèi)容的“質(zhì)量校準器”，更在Agent的動態(tài)策略調(diào)整、保障系統(tǒng)可信度、優(yōu)化任務完成效率等方面發(fā)揮著重要作用。

評估流程：從數(shù)據(jù)集中取樣本，輸入到應用，獲得輸出，然后由評估器（可結(jié)合真實答案）對輸出進行打分，從而完成對產(chǎn)品的評估。 圖片來源：LangChain

不過，?前Agent領(lǐng)域的?個核?問題是到底什么是可以被評分的。

比如在醫(yī)療和法律領(lǐng)域，有?批評某些評估?法過于簡單，?如通過律師資格考試并不等于成為?名真正的律師，通過醫(yī)學考試也不意味著能勝任醫(yī)?的?作。

和很多Agent產(chǎn)品一樣，Genspark同樣使用大模型作為“評分器”來評估整個代理會話，并生成整體獎勵。然而，Genspark將這些獎勵歸因于會話中的每個步驟，這種細致的反饋（改進循環(huán)）能夠準確揭示哪些工具在哪些情況下最有效。

圖片來源：朱凱華《Less Control, More Tools: How Genspark Built a Super Agent That Scales》演講

具體而言，Genspark的評分器則建立了多維度動態(tài)評分機制，在任務執(zhí)行過程中持續(xù)評估中間輸出（如PPT大綱結(jié)構(gòu)合理性），動態(tài)調(diào)整后續(xù)生成策略；同時還內(nèi)置了消費電子、醫(yī)療等垂直領(lǐng)域的知識圖譜等10多個專業(yè)數(shù)據(jù)集，可以檢測輸出內(nèi)容與行業(yè)常識的沖突。端到端的閉環(huán)評估系統(tǒng)則可以通過多Agent協(xié)同評分、可解釋性報告生成等方式增強評分的準確性。

3.去中心化的AI系統(tǒng)設(shè)計哲學

工具集的數(shù)量也是Genspark的一個亮點，Genspark Super Agent集成了80多個工具集。

AI Agent產(chǎn)品調(diào)用的工具大約是10~15個，如果調(diào)用的工具增多，會拖慢Agent的運行速度。此前OpenAI Agent產(chǎn)品負責人Nikunj就曾在訪談中表示，Agent下?步的發(fā)展?向是如何突破?前10~15個?具的限制，即如何讓Agent 接?數(shù)百個?具，并能夠?主判斷調(diào)?哪個?具、如何使?它們。

Agent調(diào)用工具步驟越多，得分越低，圖片來源：CLUE中文語言理解測評基準

而Genspark內(nèi)部集成了80多個工具集，包含Python 解釋器、幻燈片制作器、Crunchbase API、視頻生成器、圖像生成器、數(shù)據(jù)庫連接器、分析平臺等，在增強了智能體功能豐富性的同時，卻并沒有拖慢Agent的運行時間。這不僅得益于其MoA架構(gòu)的分工協(xié)作，更是得益于他們的智能預篩選、分層搜索策略、懶加載優(yōu)化和工程化優(yōu)化策略。

實質(zhì)上，Genspark并非簡單地“承載”這些工具集，而是構(gòu)建了一個智能的工具管理和調(diào)度系統(tǒng)。這就像一個智能倉庫，雖然有80種商品，但機器人不是盲目搜索全部，而是根據(jù)訂單快速定位到相關(guān)區(qū)域，只檢查最可能的5~8個選項。

朱凱華認為，在設(shè)計工具集時，最重要的考慮因素是可組合性。每個工具都應提供簡潔、文檔齊全的API。就像搭建樂高積木一樣——每個積木塊都應該與其他積木塊無縫連接，這讓Agent系統(tǒng)能夠以人從未預料到的方式自動選擇和組合工具。能夠做到這一點的公司不僅擁有工具，還擁有一個工具生態(tài)系統(tǒng)。

圖源：Kay Zhu《Less Control, More Tools: How Genspark Built a Super Agent That Scales》演講

“我們相信工具具有網(wǎng)絡效應，Genspark技術(shù)架構(gòu)的關(guān)鍵在于每增加一個新工具并非僅僅增加一項功能，而是與所有現(xiàn)有的工具形成指數(shù)級組合——工具A的輸出可以輸入到工具B，而工具B又可以與工具C結(jié)合。”朱凱華在演講中表示。

“Less Control, More Tools” 體現(xiàn)出一種去中心化的AI系統(tǒng)設(shè)計哲學。

Genspark Super Agent的突破正在于此。它把控制權(quán)交給系統(tǒng)自身的反饋循環(huán)，用“工具的多樣性”和“協(xié)作的智能性”取代“人為的流程控制”，最終實現(xiàn)可擴展、自優(yōu)化的超級智能體。

這不僅是技術(shù)架構(gòu)的升級，更是思維方式的轉(zhuǎn)變。

自4月上線以來，Genspark Super Agent幾乎以“每周一更”的瘋狂節(jié)奏推進更新。本月初，Genspark推出了“Photo Genius（圖片大師）”功能，將圖片編輯帶入全新的“口述即編輯”體驗，用戶可以用語音控制美顏，實現(xiàn)風格即時切換、場景魔術(shù)切換、照片拯救、合影魔術(shù)等。

Photo Genius，圖片來源：Genspark

過去，我們崇拜“大模型”：GPT、Claude、Gemini。

但未來，我們需要更重視“系統(tǒng)”：誰能把這些模型組織成高效、穩(wěn)定、自優(yōu)化的智能體系統(tǒng)，誰才真正掌握了AI生產(chǎn)力的鑰匙。

AI Agent產(chǎn)業(yè)的競爭格局正在轉(zhuǎn)變：從模型競爭到系統(tǒng)競爭；從算法思維到工程思維；從賣功能到賣結(jié)果。

Genspark的MoA架構(gòu)，讓人看到了“新一代AI Agent系統(tǒng)”前景。

當然，它仍有風險與挑戰(zhàn)——模型調(diào)用成本高、任務調(diào)度復雜、可解釋性與一致性問題仍未徹底解決。

我們認為，AI Agent未來要面臨的，不是算法的極限，而是系統(tǒng)的邊界。而Genspark正在擴張的，正是這種邊界。

（封面圖來源：使用Genspark生成）