MiniMax 推出 Mavis：以对抗式多 Agent 架构破解 AI Agent 的“上下文焦虑”

事件概述

MiniMax 近日更新其 Agent 桌面端，正式上线名为 Mavis 的多 Agent 协作模式。Mavis 基于 MiniMax 自研的 Team Engine 引擎，将 Agent 团队分为 Leader（管理者）、Worker（执行者）和 Verifier（验收者）三类核心角色，并引入 Worker 与 Verifier 之间的“对抗”机制，以工程层面的确定性约束模型的随机性和不可控性。

核心信息

• 解决关键痛点：上下文焦虑：MiniMax 在技术博客中指出，传统单 Agent 面对超长任务时，由于模型对“任务完成”判断模糊，会频繁“停下来确认”，导致用户需不断手动批准后续步骤。Mavis 通过多 Agent 分工和状态机编排，让 Worker 专注于执行，Verifier 专门验收，Leader 负责协调，从根本上避免了模型“既当裁判又当选手”的问题。
• 典型工作流：用户下达任务后，Leader 自动拆解为子任务，分配至多个 Worker 并行执行。每个 Worker 完成后将结果提交给 Leader，Leader 随即生成对应的 Verifier 对交付物进行审查。Verifier 可判定“失败”并触发对应 Worker 重新执行，形成对抗式闭环。在实测中，一个复杂的研究任务经历了数十次这样的“1v1”对抗，Agent 之间铁面无私，显著提升了输出质量。
• 上下文隔离与多任务并行：Mavis 支持通过微信、飞书等 IM 平台接入。其核心设计之一是将“秒回”与“执行”逻辑解耦，每个 Agent Team 及团队内各 Agent 只看到与自己任务相关的信息摘要，实现端到端上下文隔离。这使得用户可在一个会话中同时发起多个长程任务，Agent 不会因上下文污染而混乱。测试中，在极短时间内分配 8 个任务均未出现语境错乱。
• 套餐额度统一：MiniMax 将原有的 Token Plan 和 Agent Plan 合并，用户可在一个统一套餐下使用官网/App 对话、Agent 功能、API 调用（包括 M2.7 旗舰模型及音乐、视频、语音等多模态模型）。此前同时订阅两个方案的用户将获赠一个月会员。

值得关注

• 对抗式架构 vs 传统提示词编排：MiniMax 指出，此前主流多 Agent 框架本质上是靠提示词让模型“角色扮演”，容易遇到上下文焦虑、长程退化、自检困难等问题。Mavis 的 Team Engine 在工程层面通过状态机控制角色职责和交接时机，使多 Agent 协作具备更强的可控性和稳定性，体感上明显优于同类产品。
• 共识成本问题：MiniMax 在技术博客中提出“共识成本”概念，包括交接成本、共享成本、聚合成本。多个 Agent 相互制衡虽提升了可靠性，但 token 消耗数倍于单 Agent，且在极端情况下可能因“吵架”偏离主题，准确率不升反降。这仍是该架构需要持续优化的方向。
• 行业意义：在模型 API 极度商品化的背景下，MiniMax 率先拆除产品矩阵内部分割墙，统一套餐策略有助于提升用户忠诚度。而 Mavis 的推出，也印证了业内观点——“对 Coding/Agent 认真的模型厂商，必须做自己的独立 Agent 产品”。