8 月 7 日，Claude Code 做了一次关于智能体协作更新：让彼此独立的 Session 之间直接发送消息。
对于用户来说，这意味着多个会话可以主动同步关键信息，开发者不再需要频繁在不同窗口之间复制、粘贴上下文。
AI 学会敲隔壁工位的门了。
此外，Agent IM、Subagents、Workspace Agents、Claude Tag 等方向近期也受到广泛关注；腾讯 WorkBuddy 也通过“AI 专家团”，让具备不同专业能力的 Agent 分工协作。从跨会话通信、任务委派到共享环境和角色协同，这些探索共同指向一个变化：Agent 正在从独立执行任务，走向更持续的团队协作。
为什么这对企业来说值得关注？
在企业中，越来越多的员工开始拥有一个，甚至多个 Agent。但有时，企业里多个员工和多个 Agent 一起干活的共同工作空间还没有形成，很多 Agent 仍是各自工作的状态，缺少组织协作。
那么对于大型企业来说，哪一种 Agent 协作方式更合适？
答案很难是其中一种。进入企业场景，多智能体面对的不只是一种协作关系。企业既需要任务拆解与专业分工，也需要共享必要的工作状态，还要处理权限、数据和责任边界。
基于服务大型企业积累的行业 Know-how，Rich AIBox 持续在真实业务中验证多智能体协作方式，并结合前沿技术演进不断迭代。
围绕任务、角色、共享状态与治理能力，彩讯逐步形成较为完整的协作体系，让前沿技术真正进入业务流程，沉淀为可长期运行、稳定交付的企业级能力。
01
企业级多智能体：从“一组 Agent ”到“AI 团队”的组织工程
企业复杂任务，本来就不是由一个人完成的。
一份客户解决方案，可能需要销售理解需求、产品经理拆解场景、架构师设计方案、商务完成成本测算、法务检查风险，最后再由项目负责人统一判断。
Agent 也是一样。
如果让一个“万能 Agent”承担所有职责，它就要不断切换身份，加载越来越多的工具和上下文：上一分钟还在努力说服客户，下一分钟又要站在审计者的角度推翻自己的方案。
多智能体真正的价值，是让不同专业能力拥有独立的身份、上下文、工具和责任，再围绕同一个目标协作。
因此，多智能体协作的基础不是让 Agent 彼此“聊起来”，而是建立清楚的协作关系：谁负责、谁接手、谁可以调用谁，结果在哪里汇合，出现分歧时由谁判断。消息只是表面，角色、任务和状态之间的关系，才是团队能够持续运行的基础。
为此，Rich AIBox 持续记录参与角色、任务依赖、执行进度和阶段成果。
企业得到的不只是一次任务的结果，还有一支 AI 团队持续工作的基础。
02
角色稳定，上下文有界：多智能体如何分工并共享必要信息
在 Rich AIBox 多智能体架构中，Agent 不是用完即走的临时脚本，而更接近一名能够被企业管理的“数字员工”。
长期运行的专业 Agent 拥有独立身份（Agent Identity）、相对稳定的专业能力，以及专属的知识库、工具、记忆和执行环境。主 Agent 还可以派生 Subagent 完成专项任务，共同组成企业 AI 团队。
一边负责长期沉淀，一边围绕具体问题快速组队，类似企业里的常设部门与临时 Task Force。
不过，协作并不意味着所有 Agent 都要共享完整上下文。
Rich AIBox 让团队对齐共同目标、任务进度、阶段成果和关键决策，同时保留每个 Agent 独立的工作上下文。 这样既能减少无关信息的干扰，也能避免上下文随着参与者增加而不断膨胀。
这样，企业面对的不是一个多 Agent “大群聊”，而是一套围绕任务流动的信息机制：该同步的进度及时同步，该交付的成果准确交付，每个角色始终能够获得完成当前工作所需的信息。
03
Rich AIBox 的四种多智能体协作方式：递任务、请专家、组小队、走流程
角色明确之后，接下来要解决的是协作关系。
围绕企业团队中常见的协作动作，Rich AIBox 形成四类可以组合使用的多智能体协作机制。
Handoff 任务交接。一个 Agent 完成当前环节后，将任务、成果和后续责任交给下一位专业 Agent，并说明任务为什么产生、此前做过哪些判断、仍有哪些问题未决、可以向谁追问，以及完成后应把结果交回哪里。
Agent-as-Tool 专家调用。主 Agent 保留任务主导权，只在需要时调用其他专业 Agent，获取测算、检索或审核结果，无须向对方开放主任务的全部上下文。
Subagent 并行分工。主 Agent 把边界明确的子任务交给临时 Agent，在隔离环境中并行处理，结束后只带回关键结论和证据。
Workflow DAG 流程编排。 对于规则清楚、风险较高的业务，系统可以预先明确任务依赖、并行关系、汇合条件和人工审核节点，确保关键步骤不会被跳过。
Rich AIBox 让这四种协作方式围绕同一项业务自然组合：需要探索时灵活分工，需要专业判断时调用专家，进入下一阶段时明确交接，涉及关键业务时严格按流程推进。
04
任务可以转交，权限不能自动继承
信息能够在 Agent 之间流动，并不意味着权限也可以随之流动。
Agent 能看什么、能做什么，仍由它的身份和当前任务决定。
看似普通的 Agent 任务交接，藏着企业多智能体最难的一类工程问题：任务链（Task Chain）和权限链（Auth Chain）并不是同一张图。
这正是 Rich AIBox 企业控制面（Control Plane）要解决的问题。
当 Agent 发起一次调用或任务流转时，系统根据 Agent Identity、业务空间、资源权限与动作风险动态计算策略。
而当系统发生工具故障、网络中断或运行重启时，Rich AIBox 还可以依靠任务状态与 Trace 保留执行进度和决策依据，使长周期任务能够继续运行，并对关键操作进行追溯。
05
探索 AI 协作的真正价值：效率、资源与组织经验
多智能体的第一层价值，是提高协作效率。对于能够合理拆解的复杂任务，不同 Agent 与人可以分头推进，减少等待、重复劳动和信息转述，缩短任务的整体周期。
第二层价值，是按需配置资源。不同 Agent 可以根据角色和任务匹配相应的模型、知识与工具，在任务质量、响应速度和运行成本之间取得平衡。
更长远的价值，则是让组织经验成为资产。
如果一次项目最后只留下一个 PDF，下一次遇到类似问题，企业仍然需要从头组织。
但如果把其中验证有效的角色分工、交接条件、审核规则、异常处理方式沉淀成可复用的组织经验，那么下一次执行的就不再只是模型，而是一套经过真实业务验证的工作方法。
这才是企业级 AI 更长期的壁垒。
企业未来会运行各种各样的 Agent 组合。
自建 Agent、第三方 Agent 与存量业务系统会长期并存，企业级多智能体的下一站，是沉淀围绕任务、角色、共享状态与治理能力的完整组织能力，使企业拥有一支可管理、可评估、可持续迭代的 AI 团队。