Multi-Agent 系統全景：從 CLI 到雲端，2026 年各家怎麼做多 Agent 協作
2026 年幾乎所有主流 coding agent 都支援 subagent。設計哲學分三派：腳本確定性編排（Claude Code Workflow）、model-driven 自主（Codex、Devin）、IDE 指揮台（Windsurf 2.0、VS Code）。這篇是系列總篇，整理產品定位、能力矩陣與架構光譜。
ai
1274 篇文章Multi-Agent 可觀測性：怎麼知道錢花在哪、哪個 Agent 出了問題
Multi-Agent 系統最常見的 debug 困境是「知道結果錯了，但不知道是哪個 agent 搞的」。三層可觀測性是必要的：per-agent token 計量、execution trace 記錄、即時成本儀表板。
Multi-Agent 編排模式：腳本、Model-Driven、混合，三種哲學怎麼選
Multi-Agent 編排分三派：腳本確定性（LangGraph、Claude Code Workflow）可預測但僵硬，model-driven（Codex、Devin）靈活但不可控，混合派（Windsurf 2.0）當指揮台整合多家。選擇取決於你需要多少可預測性。
Multi-Agent 安全與護欄：防止 Prompt Injection 跨 Agent 傳播
Multi-Agent 的安全風險不只是單 agent 的放大版——agent 間的通訊本身就是攻擊面。一個被注入的子 agent 可以透過回傳結果把惡意指令傳給父 agent。防禦核心：treat agent output as untrusted data。
商業文件解析 API 橫評：專用 Parser、通用 VLM、三大雲，交叉點在哪？
商業文件解析分三條路線：專用 Parser（Cohere Parse $1.50/千頁、LlamaParse Agentic Plus 90.2%）、三大雲 Prebuilt（Azure/Google/AWS，結構化欄位抽取）、直接用通用 VLM（Fable 5.1 在 ParseBench 拿 78.92，圖表理解碾壓專用 parser，但每頁成本 3-16 倍且會幻覺）。10 萬頁/月純 OCR 各家都 ~$150，加表格後 AWS 跳到 $1,500、用 Claude Sonnet 5 跑要 $900。選型的第一個問題不是「哪家最準」，是「你要轉錄還是理解」。
AI 論文從寫到投：結構、實驗設計、arXiv 投稿與會議抉擇的實戰指南
綜合 arXiv 官方指引、NeurIPS Reproducibility Checklist、REFORMS 框架（8 模組 32 項）與五大頂會投稿政策，從論文結構、實驗設計紅線、arXiv 投稿流程到會議 vs. 直投的抉擇框架，一份可以直接拿來檢查自己論文的完整指南。
AI-Native SDLC Playbook L1：當程式碼生成不再是瓶頸
Claude Academy 第一堂課點出核心矛盾：AI 加速了寫程式，但 review、測試、部署的速度沒跟上。結果瓶頸從「寫不夠快」變成「審不夠快」。AI-native SDLC 的解法不是讓 AI 寫更多程式碼，而是把 AI 嵌進瓶頸所在的每個環節。
AI-Native SDLC Playbook L2：intent.md 把需求變成版控文件
傳統需求散落在 Jira、Slack、會議紀錄裡，經過多次交接才到工程師手上。intent.md 讓需求發起人直接跟 Claude 對話，產出一份人可讀、機器可執行、版控可追溯的 Markdown proto-spec，從對話到文件只需要幾小時而不是幾週。
AI-Native SDLC Playbook L3：需求與設計合併成一個 session
傳統開發裡，需求分析和設計是兩個獨立階段、由不同團隊負責，交接時必然有資訊流失。這堂課的做法是讓 Claude 在單一 session 裡讀取 intent.md，套用組織的品牌、資安、合規、UX 標準（以 skill 形式載入），產出統一的 spec.md——產品負責人只需要 review，不需要自己寫。
AI-Native SDLC Playbook L4：Plan Mode 先寫計畫再寫程式
Claude Code 的 plan mode 讓工程師在寫任何程式碼之前，先產出一份可審查、可版控的實作計畫（plan.md）。設計審查從 PR diff 前移到計畫階段，修正成本從「改程式碼」降到「改文件」。
AI-Native SDLC Playbook L5：CLAUDE.md 把團隊知識變成 Agent 的記憶
CLAUDE.md 是放在 repo 根目錄的上下文檔案，讓 Claude 在每次 session 開始時就知道這個專案的慣例、指令、架構和地雷。課程的核心建議：同樣的錯犯兩次，就寫進 CLAUDE.md。
AI-Native SDLC Playbook L6：Skills 把組織規範編碼成可重用知識
Skill 是組織隱性知識的編碼形式——一個資料夾加一份 SKILL.md，讓 Claude 在觸發條件成立時自動載入並執行標準作業程序。課程的關鍵原則：skill 讓違規變少見，hook 讓違規接近不可能。
AI-Native SDLC Playbook L7：平行 Session 與 Subagent
一個工程師同時開多個 Claude Code session，每個跑在獨立的 git worktree 裡；重複性的驗證工作交給 subagent。瓶頸從「寫程式」變成「review 產出」。
AI-Native SDLC Playbook L8：給 Claude 一個回饋迴圈
讓 Claude 在提交前自己驗證自己的產出——測試、build、截圖比對全部跑過才算完成。工程師收到的不再是「可能對」的程式碼，而是「已經通過驗證」的程式碼。
AI-Native SDLC Playbook L9：在 CI 裡跑持續評估
Evals 是 AI-native 版的 stage-gate QA——收集 20-50 個真實任務當測試案例，每次改動 CLAUDE.md、skills 或 hooks 時自動跑一輪，pass rate 掉了就擋 merge。每個線上事故都變成永久的 eval。
AI-Native SDLC Playbook L10：AI 進入 PR Review 迴圈
讓 AI 做第一輪 PR review，人類只看意圖與風險——這堂課教你怎麼設定 REVIEW.md、分層 review pass、建立 review comment 自動修正迴圈，以及為什麼寫程式的 agent 不能自己批准自己的 PR。
AI-Native SDLC Playbook L11：Hooks 作為核准閘門
Hooks 是 AI-native SDLC 的治理基石——確定性的閘門，在 agent 執行動作前攔截，不通過就擋下。這堂課從單一 production gate 腳本講到完整的企業級 managed settings，涵蓋權限鎖定、沙箱、憑證隔離、marketplace 白名單，是整門課最硬核的一堂。
AI-Native SDLC Playbook L12：CI/CD 整合與部署
把 Claude 接進 CI/CD pipeline——從唯讀的 build 失敗分析開始，逐步加入寫入操作，透過 MCP 暴露部署工具，按環境分層授權。核心原則只有一句：「agent 可以做到 production gate 為止，不能通過它。」
AI-Native SDLC Playbook L13：用監控閉環讓 SDLC 自己轉起來
Stage 6 是整個 AI-Native SDLC 的收尾也是起點：監控腳本偵測異常 → Claude 自動寫診斷報告為 intent.md → 走完整個開發流程。人從「發起工作」變成「分類和審查工作」。
AI-Native SDLC Playbook L14：系列總結與導入路線圖
14 堂課跑完，最後這篇把整個系列收束成三件事：導入的優先順序、每個角色該從哪裡開始、以及 Anthropic 官方文件的完整資源清單。