多智能体编排
将复杂任务拆解后分配给多个专职AI智能体并行或串行处理，由上层协调者负责任务分发、结果汇总与异常处理的AI架构模式
核心事实
时间轴 (近 90 天)
BOST的本质是调用多智能体编排，将问题拆解为细粒度步骤并逐步回答。
去中心化协商的多智能体编排模式在实际运行中容易出现消息丢失、循环调用和状态不一致
Paperclip 本身不直接执行任务，而是管理其他智能体的“公司框架”，采用层级式多智能体编排，可对每个角色单独设模型与消费上限，按心跳自动开工。
当前工程实践中，智能体基础设施至少可以识别出几个层次：最底层是模型推理与工具调用的原语（接近Kernel的定位）；中间层是运行时与服务化框架（接近Server的定位）；再往上才是面向具体场景的智能体应用与多智能体编排。
动态工作流允许Claude自行决定并编排其多智能体拓扑结构，而非由开发者预先静态配置协调者和子智能体名册。
第一个应用采用多智能体编排：两个子智能体之上有一个全局智能体负责协调
多智能体框架指把一个复杂研究任务拆解给多个各司其职的 AI 代理完成，而非依赖单一模型一次性生成答案
Astra采用多智能体编排（multi-agent orchestration）架构，而非传统单线程推理
越是强大的智能体系统，越需要清晰的任务框架和流程引导
全部知识事实 (10)
多智能体系统中的编排层负责任务拆解、Agent间调度顺序及中间结果的传递与校验
70%已验证多智能体框架指把一个复杂研究任务拆解给多个各司其职的 AI 代理完成，而非依赖单一模型一次性生成答案
65%待验证BOST的本质是调用多智能体编排，将问题拆解为细粒度步骤并逐步回答。
50%待验证去中心化协商的多智能体编排模式在实际运行中容易出现消息丢失、循环调用和状态不一致
50%待验证Paperclip 本身不直接执行任务，而是管理其他智能体的“公司框架”，采用层级式多智能体编排，可对每个角色单独设模型与消费上限，按心跳自动开工。
50%待验证当前工程实践中，智能体基础设施至少可以识别出几个层次：最底层是模型推理与工具调用的原语（接近Kernel的定位）；中间层是运行时与服务化框架（接近Server的定位）；再往上才是面向具体场景的智能体应用与多智能体编排。
50%待验证动态工作流允许Claude自行决定并编排其多智能体拓扑结构，而非由开发者预先静态配置协调者和子智能体名册。
50%待验证第一个应用采用多智能体编排：两个子智能体之上有一个全局智能体负责协调
50%待验证越是强大的智能体系统，越需要清晰的任务框架和流程引导
50%待验证Astra采用多智能体编排（multi-agent orchestration）架构，而非传统单线程推理
50%