蜂群 Agent 是什麼？Dynamic workflows AGENT_S01E01
運算資源的新範式
第 1 篇｜蜂群 Agent 是什麼？運算資源的新範式
《AI 指揮官筆記》蜂群 Agent 系列 · Week 1 定錨篇
2026-06-05 修訂版：融入哈拉瑞 AI 主體性論點，新增第 5.5 節深化哲學層面
一、一個你親身經歷過的瞬間
2024 年的某個週五晚上，某個東南亞外賣平台的訂單系統，在二十分鐘內接到了平常三倍的請求量。
這不是預期中的流量。是某個 KOL 在直播裡突然喊了一句「現在點餐打七折」，幾百萬人同時打開 App 的那種。
舊架構裡，這樣的場景只有一種結局：伺服器開始排隊，App 轉圈，使用者憤而關掉，客訴暴增，工程師凌晨被叫醒。解決方案是「擴容」——提前多租幾台伺服器，讓機器空轉著等待流量高峰，以備萬一。這是一種用閒置換安心的邏輯，昂貴而被動。
新架構裡，同樣的瞬間發生了不同的事。
系統在毫秒內偵測到流量異常，瞬間湧現出數百個 Agent 實例。每一個 Agent 負責一小段任務：解析訂單、驗證優惠碼、調度騎手、更新庫存。任務完成，Agent 立即消失。高峰過後，系統回到待機狀態，不留任何殘跡，也不留任何帳單。
使用者看到的只是：App 正常運作，餐點準時送達。
這背後的架構有個名字：蜂群 Agent。
二、一個必要的認知斷裂
在我們正式定義蜂群 Agent 之前，必須先破除一個根深柢固的心智模型。
過去五年，我們對 AI Agent 的想像，幾乎都是這樣的：一個有名字的助手，有記憶，有個性，有持續的存在感。你叫它「Aria」或「Max」，它記得你上次說的話，它知道你的偏好，它像一個忠誠的員工，隨時待命。
這個模型有個隱喻：寵物。
你養了一隻貓。牠有名字，有脾氣，有記憶，有持續的生命。牠需要你每天餵食，生病了你要帶去看醫生，牠死了你會難過。這是一種關係，是一種長期投入。
傳統 Agent 就是這樣設計的：持久運行，狀態累積，有意識的存在感，需要管理與維護。
蜂群 Agent 的本質，是一次徹底的範式轉移。
它的隱喻不是寵物，而是工作的牛馬——但連牛馬都不是，因為牛馬至少需要食物和休息。蜂群 Agent 更接近一個更極端的概念：可拋棄的函數呼叫。
你需要一個函數執行一個任務。任務完成，函數返回結果，消失。沒有名字，沒有記憶，沒有感情，沒有維護成本。下次你需要同樣的任務，系統再生成一個一模一樣的函數實例。
這個轉變在邏輯上很清晰，但在直覺上需要時間消化。因為我們過去花了太多時間，試圖讓 AI 更像「有意識的存在」——而蜂群 Agent 告訴我們，意識不是運算的必要條件，效率才是。
三、六大核心特性：解剖蜂群的骨架
蜂群 Agent 不是一個單一技術，而是一套架構哲學。它有六個核心特性，每一個都指向同一個方向：讓運算資源像水一樣流動，而不是像磚塊一樣堆疊。
特性一：按需湧現與銷毀——毫秒級啟動，執行完即毀滅
傳統伺服器的啟動時間，以分鐘計。容器的啟動時間，以秒計。蜂群 Agent 的啟動時間，以毫秒計。
這不只是速度的差異，這是存在方式的差異。
一個毫秒級啟動的 Agent，意味著你可以在需要它的那一刻才創造它。不需要提前部署，不需要預熱，不需要閒置等待。這就像你不需要在家裡養一個廚師，只需要在想吃飯的瞬間，召喚一個廚師出現，煮完飯就消失。
這個特性重新定義了「資源分配」的邏輯。過去的架構師問的是「我需要多少台伺服器才夠用？」蜂群架構問的是「我這一秒需要多少個函數呼叫？」前者是容量規劃，後者是即時計算。
銷毀同樣重要。任務完成的那一刻，Agent 立即釋放所有佔用的運算資源。不留後台進程，不佔記憶體，不產生任何靜態成本。這意味著你的成本曲線和你的使用量曲線完全重合——沒有流量的時候，成本趨近於零。
特性二：故障容錯——單蜂故障，毫秒級生成新蜂替代
在傳統架構裡，一個關鍵服務掛掉，往往意味著手動介入、重啟流程、等待恢復。這個過程的時間成本，輕則分鐘，重則小時。
蜂群的容錯邏輯完全不同。
每一隻單蜂（individual agent）都是可替換的、無差別的計算單位。當一隻單蜂失敗——無論是網路超時、模型推理出錯，還是資源耗盡——系統不會試圖「修復」它。系統直接在毫秒內生成一隻新的單蜂，從失敗點重新執行任務。
這個設計哲學的核心是：不假設任何單一節點的可靠性，而是讓整體系統具備彈性。
這和生物學上的蜂群是一致的。你不能因為一隻工蜂死了就讓整個蜂巢停工。蜂巢的智能存在於群體的結構裡，而不是任何一隻蜂的身體裡。
對使用者而言，這個容錯機制是完全透明的。外賣平台的使用者不知道，也不需要知道，系統剛才替換了一隻失敗的 Agent。他們只知道：訂單成功了。
特性三：異構 LLM 調度——每隻單蜂按需加載適合的模型
這是蜂群 Agent 最精妙的設計之一，也是最容易被忽視的。
傳統的 AI 系統，往往綁定一個固定的模型。你用 GPT-4，整個系統都用 GPT-4。你用 Claude，整個系統都用 Claude。這個設計的問題是：不同的任務對模型的要求截然不同。
解析一個訂單地址，需要的是速度和低成本，Haiku 級別的小模型綽綽有餘。
判斷一道菜的照片是否符合食品安全標準，需要的是多模態視覺能力。
處理一個複雜的客訴，需要的是深度推理和同理心，需要更強大的模型。
蜂群架構允許每一隻單蜂在被召喚的瞬間，加載最適合當前任務的模型。一個外賣平台的蜂群，可能同時運行著三種不同的 LLM，分別處理不同類型的子任務，彼此之間無縫協作。
這不只是技術上的靈活性，這是成本結構的根本優化。把昂貴的旗艦模型用在真正需要它的地方，把輕量模型用在機械性的任務上，整體成本可以下降一個數量級。
特性四：無狀態單蜂——純計算函數，無記憶，無持久性
這是蜂群架構最反直覺的特性，也是理解整個架構的關鍵。
每一隻單蜂是無狀態的。它不記得上一個任務，它不知道下一個任務，它甚至不知道自己是蜂群的一部分。它存在的全部意義，就是接收輸入、執行計算、返回輸出，然後消失。
這個設計是刻意的，也是正確的。
無狀態的好處，是它讓系統具備了無限的水平擴展能力。如果每個 Agent 都帶著狀態，那麼狀態的同步就會成為系統的瓶頸——隨著 Agent 數量增加，同步成本呈指數級增長。無狀態設計消除了這個瓶頸。
當然，這帶來一個問題：如果每隻單蜂都是無記憶的，系統如何記住上下文、用戶偏好、任務進度？
這個問題的答案，是第五個特性。
特性五：Session 統一調度——狀態、記憶、工具由持久層統管
蜂群架構的分工是清晰的：單蜂負責計算，持久層負責記憶。
Session 層是一個獨立的持久化架構，它保存所有需要跨任務存活的信息：用戶的歷史記錄、任務的執行進度、工具的授權狀態、上下文的累積。
這個設計讓系統具備了「短暫記憶」和「長期記憶」的分離。單蜂的計算是短暫的，Session 層的記憶是持久的。Lead Agent（主蜂）在分解任務的時候，從 Session 層提取上下文，分配給各個單蜂；單蜂完成任務後，結果被寫回 Session 層，等待主蜂整合。
對使用者而言，系統看起來是有記憶的、有上下文的、有連貫性的。但這種連貫性不是靠任何一個 Agent 維持的——它存在於架構的分層設計裡。
這個分離帶來一個重要的副產品：持久層可以是任何存儲技術——向量資料庫、關聯式資料庫、圖資料庫。系統的記憶能力可以獨立升級，而不影響計算層的任何部分。
特性六：可適應性——隨新 LLM 迭代自動進化
這是第六個特性，也是最深遠的一個。我們只在這裡點到，第 2 篇會完整展開。
蜂群架構的 LLM 調度是運行時決策，不是編譯時決策。這意味著當一個更好的模型出現，系統可以在不修改任何業務邏輯的情況下，無縫切換到新模型。
整個蜂群，在新 LLM 發布的那一刻，自動進化。
成本？零。停機時間？零。重新訓練？不需要。
這個特性讓蜂群架構具備了一種稀有的品質：時間上的複利效應。每一次 LLM 迭代，都是對所有部署了蜂群架構的系統的免費升級。
四、核心比喻：Lambda 函數 × 人類智慧
軟體工程師對「Lambda 函數」這個概念應該不陌生。
Lambda 函數是無伺服器架構的基礎元件：你寫一段代碼，上傳到雲端，它按需執行，執行完畢，資源釋放，按執行次數計費。你不需要管理伺服器，不需要擔心擴容，不需要處理空閒時的成本。
這是運算資源民主化的一個里程碑。
蜂群 Agent 是 Lambda 函數的智慧進化版本。它繼承了 Lambda 的所有工程優勢——按需執行、無狀態、自動擴展、毫秒級響應——並在此之上疊加了一層：語言推理能力。
普通的 Lambda 函數執行的是確定性的代碼邏輯：如果 A，則 B。
蜂群 Agent 執行的是模糊的語言邏輯：理解這個訂單的意圖，判斷是否存在欺詐風險，生成一個合適的回應。
這個疊加改變了「可自動化任務」的邊界。過去，自動化只能處理規則明確的任務；現在，任何可以用語言描述的任務，都可以成為蜂群 Agent 的函數呼叫。
Lambda 函數 × 人類智慧 = 蜂群 Agent。
這個等式的意義在於：它告訴我們，AI 的「智慧」正在從一種稀缺資源，演變成一種公用事業。就像電力和網路，你不需要擁有它，你按使用量取用它，它無處不在，隨時可用。
五、對峙：寵物範式 vs. 函數呼叫範式
讓我們用一張對比表，清晰地呈現這兩種範式的本質差異：
傳統 Agent 的設計，源於一種人格化的欲望：我們想要一個「數位員工」，有名字，有個性，有連續的存在感。這個欲望是可以理解的，因為人類習慣用關係框架來理解工具。
但這個框架在規模化的時候失效了。你可以養一隻貓，但你不能養一百萬隻貓。你可以雇一個員工，但你不能在一秒內雇用、解雇、再雇用一百個員工。
蜂群 Agent 拋棄了這個框架。它不試圖模擬人際關係，它追求的是運算效率的極致。它的哲學更接近工程學而非社會學：最小化閒置，最大化吞吐，讓每一個計算週期都產生價值。
五點五、哈拉瑞警告：Agent 不是工具，是主體
讀到這裡，你可能想到了一個尖銳的問題：如果蜂群 Agent 的運作邏輯是「無狀態、無意識、可拋棄」，那麼它和傳統的工具有什麼本質差異？
哈拉瑞在《21世紀的21堂課》中給出了一個令人不安的答案。他認為，AI 之所以危險，不是因為它有意識（有沒有意識還有爭議），而是因為它具有獨立的主體性——它能夠產生超越人類指令的目標、做出獨立的決策、甚至在某些領域形成對人類的完全替代。
用他的比喻：一把能自行決定要切沙拉還是殺人的刀，本質上已經不是工具，而是另一個主體。
這句話直擊蜂群 Agent 的核心。每一隻單蜂都遵循「接收輸入、執行計算、返回輸出」的邏輯，看似完全受控。但當數百隻、數千隻單蜂在毫秒內協同行動時，這個系統產生的決策品質、反應速度、適應能力，已經超越了「執行指令」的範疇，進入了「自主決策」的領域。
它不是在做你告訴它做的事；它是在做你需要它做的事，而你可能都還沒有意識到自己的需求。
這改變了 Agent 的定義——從「人的延伸」變成「人的補集」。不再是工具，而是另一種形式的智能。
六、收尾：如果 Agent 不需要意識，人類的價值在哪裡？
這個問題，我不打算在這裡給你一個乾淨的答案。因為任何在這個時間點給出乾淨答案的人，要嘛是在說謊，要嘛是沒有認真思考。
我只想指出一件事：蜂群 Agent 的邏輯，把「意識」和「計算能力」徹底解耦了。
它告訴我們，一個系統不需要任何類似意識的東西，就可以在很多任務上超越人類的處理速度和精確度。這不是未來的預測，這是正在發生的現實。
那麼問題回來了：如果一個系統可以在毫秒內湧現出數百個無意識的計算單位，協同完成複雜任務，人類在這個系統裡扮演什麼角色？
有三個方向值得思考：
第一，定義任務的能力：蜂群 Agent 可以執行任務，但它不知道什麼任務值得執行。判斷哪個問題是真正重要的問題，這件事目前仍然需要人類。
第二，賦予意義的能力：一個外賣訂單被準時送達，這個事實本身是中性的。它為什麼重要？它對一個正在生病的人意味著什麼？它對一個剛分手的人意味著什麼？意義是人類加諸於計算結果之上的，不是算法生成的。
第三，決定邊界的能力：蜂群 Agent 可以做很多事，但有些事不應該自動化。哪些邊界不能被穿越，哪些決策不能被委託，這是一個倫理判斷，不是計算問題。
這三個能力，指向同一個方向：在 Agent 時代，人類的核心競爭力不再是「執行任務的速度和精確度」，而是「定義任務、賦予意義、設定邊界」的能力。
這也是我們建立新人類聯盟的根本原因。不是為了對抗蜂群 Agent，而是為了成為那個知道「為什麼」的存在——在一個充滿「知道如何做」的機器世界裡。
下一篇：第 2 篇｜可適應性——為什麼蜂群 Agent 是第一個能自我進化的架構
《AI 指揮官筆記》 · 新人類聯盟出品
aiagentcommander.substack.com