100 个 AI Agent 协同挖洞：从微软 MDASH 到 Claude Code Agent View，多智能体协作元年已经到来

多智能体不再是论文里的概念

本周，两条来自不同领域的消息几乎同时落地，却指向同一个方向：

5 月 12 日，微软在 Patch Tuesday 披露，其多模型智能体安全系统 MDASH 协调超过 100 个专门化 AI Agent，在 Windows 内核中发现了 16 个此前未知的漏洞——其中包括 4 个 Critical 级远程代码执行漏洞。该系统在 CyberGym 公开基准上以 88.45% 成功率排名第一，领先第二名约 5 个百分点。

5 月 12 日，Anthropic 为 Claude Code 推出 Agent View 功能，允许开发者在单一终端界面同时管理多达 10 个 AI 编码智能体并行工作。Anthropic 在发布会上演示：原本需要 10 周的开发工作量，Claude 用 4 天完成；公司内部 90% 的代码已由 AI 编写。

一个是安全领域的多 Agent 管线，一个是编码领域的多 Agent 调度台。它们共同宣告：2026 年，AI Agent 正在从「单体」走向「多体协同」。

MDASH：管道式多模型协作的安全扫描引擎

微软 MDASH（Multi-model Agentic Scanning Harness）的核心设计理念可以用一句话概括：系统做工作，模型是一个输入。

这不是一个用最强模型暴力扫描的系统。它将漏洞发现拆解为五阶段管道：

1. Prepare——摄取源代码，构建语言感知索引，通过历史提交分析攻击面
2. Scan——运行专门化审计智能体，生成候选漏洞及假设
3. Validate——运行「辩手」智能体，论证每个漏洞的可达性和可利用性
4. Dedup——合并语义等价的漏洞
5. Prove——构造并执行触发输入，动态验证漏洞存在

每个阶段有独立的提示、工具和停止标准。100+ 个智能体被分配为审计者、辩手、证明者等角色。更关键的是，MDASH 故意使用多个不同模型——SOTA 模型做重型推理，蒸馏模型做成本效益型辩论，第二个独立 SOTA 模型提供对立观点。模型间的分歧本身就是信号。

这套架构的效果是单模型系统无法企及的。以 CVE-2026-33827 为例，这是 tcpip.sys 中的远程释放后使用（UAF）漏洞，涉及 3 个独立并发释放路径的非平凡控制流。单模型无法发现的原因有三：生命周期违规不局部可见、需要跨文件推理、并发条件组合复杂。MDASH 的专门化审计 Agent 进行跨文件模式比较，辩手阶段进行交叉审查，最终通过动态证明构造了触发输入。

另一个案例 CVE-2026-33824 更具说服力：跨 6 个源文件的别名生命周期漏洞，仅 2 个 UDP 数据包即可触发 LocalSystem 级远程代码执行，无需竞态条件，影响 RRAS VPN、DirectAccess、Always-On VPN 等场景。最强证据是同一代码库中相同模式的正确版本——只有跨文件模式比较的专门 Agent 才能捕捉到这种偏差。

Claude Code Agent View：从「写代码的实习生」到「管十件事的小团队」

如果说 MDASH 证明的是多 Agent 在专业领域的战斗力，Agent View 展示的则是多 Agent 在日常工作流中的可及性。

传统 AI 编码工具是 1:1 对话模式——你和 Claude 一起写代码，一来一回。Agent View 将其升级为 1:N 调度模式：你同时派 10 个任务出去，扫一眼状态表，只在被阻塞时介入。

界面设计极简：任务状态表 + 底部输入框。Space 键弹出 peek panel 查看最新输出，Enter 键进入完整对话，/bg 命令将当前会话推到后台。任务状态以动画/颜色区分——执行中、等待用户、完成、失败，一目了然。

这背后有一个被忽视的前提条件：Agent View 不是早期功能，而是 Claude Code 独立完成任务能力提升后才合理出现的产物。 只有当单个 Agent 能自主完成大部分工作，并行调度才有意义。Anthropic 内部 90% 代码由 AI 编写的数据，正是这种能力成熟度的注脚。

用户角色也随之转变：从协作者变成「工头」，工作流从一来一回变成「派活→扫表→回答→复核」。这不是渐进式优化，而是交互范式的跳变。

为什么是「多体」而非「更强单体」

一个自然的问题是：为什么不继续提升单一模型的能力，而要走向多智能体协作？

答案有三层：

第一，组合优于放大。 MDASH 的经验表明，漏洞发现需要跨文件模式比较、多步可达性分析、专门智能体辩论和端到端证明构造——这些是组合行为，单次前向传播无法完成。Claude Code Agent View 的场景同理：5 个互不依赖的任务，并行比排队快 5 倍，与模型强弱无关。

第二，专业化优于全能。 MDASH 的审计者、辩手、证明者各有不同提示和停止标准。让一个 Agent 什么都做，不如让三个 Agent 各司其职再组合。这在组织管理中是常识，在 AI 系统设计中同样成立。

第三，可移植性优于依赖。 MDASH 最被微软强调的架构属性是：新模型发布时，只需配置翻转即可 A/B 测试，客户投资完全保留。当行业每几个月就出一个新模型时，系统吸收模型改进的能力比任何单一模型的优势都更持久。

仍需警惕的问题

多智能体协作并非没有隐忧。

安全边界的乘法效应。 Agent 越多，攻击面越大。MDASH 本身需要访问源代码和构建环境；Claude Code 的 10 个并行 Agent 各自有文件系统和终端权限。上周 MCP 安全社区的讨论仍在升温——Operant AI 推出了 Endpoint Protector 试图解决 Shadow AI 和编码 Agent 的安全防护问题，Jitterbit 发布了带深度消息检查的 MCP Gateway。多 Agent 时代的安全治理，比单 Agent 复杂一个数量级。

协调开销的真实成本。 Agent View 适合互不依赖的并行任务，但深度架构设计、棘手调试仍然需要一对一人机协作。把需要密切互动的任务强行并行，只会产生更多协调成本而非产出。

质量与速度的权衡。 Anthropic 宣称 90% 代码由 AI 编写，但「由 AI 编写」和「经过充分审查」之间还有距离。当 AI 产出的速度远超人类审查能力时，质量保障机制必须同步升级，否则就是用速度换质量。

写在最后

从 MDASH 到 Agent View，信号很清晰：AI 的下一个竞争维度不是谁的模型更大，而是谁的 Agent 协作系统更成熟。

微软给出了安全领域的范本——管道式架构、专门化分工、多模型集成、端到端验证。Anthropic 给出了编码领域的范本——状态可视化、任务级并行、低摩擦调度。

两者共同指向一个设计原则：好的 Agent 系统，让模型成为可替换的输入，让系统成为持久的资产。

下一个值得关注的事件是 5 月 20 日的 Google I/O——Gemini 4 和 Android 智能系统将如何回应多智能体协作这股浪潮，值得期待。