Why We Killed Our Multi-Agent Pipeline — Subbiah Sethuraman and Abhilash Asokan, ZS Associates

ZS 公司面臨的核心問題源於製藥行業複雜的商業分析需求。製藥企業需要持續監控銷售訊號（如處方量變化），識別根本原因（競爭藥物、保險政策變更、銷售代表效能不足），制定對應行動方案，並預測行動結果。傳統流程需要分析師手動執行這四個步驟，耗時 3-4 週。

初期的多智能體方案看似邏輯完美：為每個步驟分配專門代理，透過協調代理連接。但實踐中暴露出三個致命缺陷。首先，訊號檢測被交由語言模型決策，但這本應是統計工作，導致代理時而正確、時而誤判噪聲。其次，多代理間頻繁交接導致關鍵信息丟失——根本原因分析正確識別保險覆蓋降低是瓶頸，但綜合代理無法理解這一上下文，只是機械地建議增加銷售代表，最終預測結果與原因脫鉤。第三，各代理對業務領域的理解不一致，無法把握 KPI 間的因果關係（如交易量如何驅動銷售業績、支付方政策如何影響患者可及性）。

轉折來自於團隊決定迴歸第一性原理，讓 Claude Code 在空白目錄中僅以 bash 和數據庫為工具自由探索如何解決問題。這次實驗啟發了三項核心改進。第一，將訊號檢測從智能體系統中完全分離，建立純粹的確定性自動化管道，使用統計方法、設定閾值和優先級，預先掃描數據識別異常、趨勢突破，只有訊號確認後才喚醒智能體進行調查。第二，觀察到 Claude Code 能夠反覆編寫函數、查詢數據庫、進行複雜推理，團隊決定將整個推理流程整合到單一主代理中，在必要時才動態啟動子代理執行特定調查，但推理邏輯始終由主代理控制，這消除了跨代理的上下文交接。

第三項改進是引入知識圖譜作為控制平面。這不僅是數據查找層，更是代理導航和決策的骨架。知識圖譜明確定義了所有業務實體（地理、支付方、品牌、帳戶）及其關係，以及 KPI 的多級因果結構。代理在知識圖譜中遍歷時，每條邊代表一個待驗證的假設。當代理發現交易量在全國下降，知識圖譜指導其按地理、支付方、帳戶等維度進行根因定位；一旦定位到具體維度，代理再透過 KPI 間的驅動關係推導根本原因。這個迴圈式過程持續進行，直到代理找到最終的根本原因或遍歷完所有合理假設。知識圖譜的存在確保代理不會超出業務邏輯邊界亂推測，同時保證了每個假設的評估都有數據支撐。

經過約 50 輪迴圈和大量 token 消耗的訓練後，系統達到穩定。現在它能在 20-30 分鐘內完成從訊號檢測、根因定位、假設驗證到建議生成的完整分析流程，相比人類分析師的 3-4 週，效率提升了 10 倍以上。