单 Agent 与多 Agent 怎么选：先定位失败发生在哪一步
比较一个助手连续执行和多个助手分工的适用条件，说明工具问题、任务拆分与交接成本怎样分别验收。
怎样选择更合适
先把单个 Agent 的失败原因查清，再判断是否需要多 Agent。任务确实可分成不同专长或独立工作时，多 Agent 可以承担分工；工具参数经常出错或资料缺失，则不一定靠增加助手解决。比较应固定任务与工具权限，确认分工带来的改善足以承担新的交接和维护工作。
分工增加了角色也增加了交接
Anthropic 把简单可组合模式作为起点，并说明编排者与工作者适用的任务。OpenAI SDK 则提供让 Agent 作为工具或通过 handoff 交接的方法。这些机制允许分工，但没有保证助手数量越多，结果就越正确。
一个任务如果每步都需要同样背景，拆分后可能反复传递资料。若多个助手同时修改同一文件，还需要明确修改范围与合并方式。先区分需要不同专业判断的工作和只是重复调用同一工具的工作，避免用分工掩盖接口缺陷。
同一任务比较最终结果和交接遗漏
准备一组已有完成标准的任务，分别交给一个助手和明确分工的助手组。保存相同原始材料，记录每个角色实际收到的内容。验收最终结果时，追查错误来自原任务理解、局部工作，还是交接时丢失的条件。
另外测试一个不容易拆开的任务，检查分工是否只增加等待。对于可以并行的资料核对，最后必须有人负责合并冲突，而不是把几段答案直接拼接。本页未运行多 Agent 系统，不把架构示意当作效率提升证据。
用调用消耗与维护负担决定保留方式
多角色可能增加输入重复和模型调用，应按完整任务记录消耗。单个 Agent 的长会话也有上下文维护问题，因此不能仅由角色数量推算费用。把返回错误、工作中断和结果冲突都纳入比较，才能解释哪种方案更适合当前任务。
一个需要专门处理的环节可以先封装成局部工具，由原助手继续组织结果。升级工具后重放旧输入，确认这部分分工解决了此前的错误；若效果没有改善，就保留原来的简单形式。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。