MiniMax 推出了 Mavis，活脱脱的 Agent「三省六部」

📌 一句话摘要

MiniMax 推出 Mavis 多 Agent 系统，通过 Leader-Worker-Verifier 对抗式架构和上下文隔离设计，解决长程任务中的上下文焦虑和模型不可控问题。

📝 详细摘要

本文详细介绍了 MiniMax 最新发布的 Mavis 多 Agent 系统。Mavis 的核心创新在于其 Team Engine 架构，包含 Leader、Worker、Verifier 三类角色，其中 Worker 和 Verifier 之间形成对抗关系，通过工程层面的硬约束而非提示词编排来确保任务质量。文章通过多个实测案例展示了 Mavis 的能力：在深度研究任务中，Verifier 能发现 Worker 的数据错误并触发重新执行；在复杂活动策划任务中，系统可并行启动 9 个 Agent 并交付 10 多个文件。Mavis 的另一大特性是上下文隔离设计，每个 Agent Team 只看到与自己任务相关的信息摘要，支持通过微信/飞书等 IM 平台同时处理多个任务而不发生语境错乱。文章也坦诚讨论了多 Agent 架构的成本问题，包括交接成本、共享成本和聚合成本，指出 Agent Team 更适合「贵且复杂」的高价值任务。

💡 主要观点

- Mavis 采用 Leader-Worker-Verifier 对抗式架构，通过工程约束解决模型不可控问题。 与传统的提示词编排多 Agent 不同，Mavis 的 Worker 和 Verifier 之间形成对抗关系，Verifier 负责验收 Worker 的交付成果，发现错误后触发重新执行，从根本上杜绝了模型「既当裁判又当选手」的问题。

上下文隔离设计是 Mavis 的另一核心创新，支持多任务并行处理。 每个 Agent Team 及其内部的 Agent 只看到与自己任务相关的信息摘要，实现了从 IM 渠道到任务中枢再到分子任务的端到端上下文隔离，有效防止上下文污染，支持同时处理多个任务而不发生语境错乱。

多 Agent 架构存在显著的共识成本，并非越多 Agent 越好。 MiniMax 坦诚分析了三类成本：交接成本（信息在 Agent 间传递需重新组织）、共享成本（存储和分发摘要）、聚合成本（汇总最终结果）。Agent Team 更适合高价值复杂任务，用户需自行判断任务复杂度来决定是否启用。

MiniMax 将 Token Plan 和 Agent Plan 合并，统一套餐策略有助于维护用户忠诚度。 合并后所有模型（包括旗舰模型和多模态模型）共享统一套餐额度，用户可自由分配使用场景。在模型商品化趋势下，这种策略有助于降低用户决策成本，增强产品生态粘性。

💬 文章金句

- 最关键的差异在于，Worker 和 Verifier 之间是「对抗」的关系，谁也没法蒙混过关。

• 说白了，这就是在多 agent 工作编排当中，用工程层面的可控性、严密性、确定性，来根治模型的不可控、随机性。
• 多 Agent 一定多聪明吗？非也。但 Mavis 的意义，是让那些真正复杂、知识密集型的任务，不给模型自己拍脑门，而是交给一套经过验证的，有对抗、有核查、有权责划分和奖惩制度的工程系统。
• 它不一定让 AI 变得更聪明，但绝对会让 AI 更难偷懒——这也是大模型本身长期存在的老大难。
• 宁愿花更多成本去确保万无一失，也不愿意糊弄了事，这才是复杂任务背后的高价值用户所看重的。

📊 文章信息

AI 初评：86

来源：爱范儿

作者：张子豪

分类：人工智能

语言：中文

阅读时间：20 分钟

字数：4817

标签： MiniMax, Mavis, 多Agent系统, 对抗式架构, 上下文隔离

阅读完整文章