MCP时代已经过去，Team of Agents时代要来了

今天，一个坐标北京海淀，一支年轻的创业团队，正在小范围 Alpha 测试一款叫 Teamo 的全新 Agent 产品。

给你们看下这个产品的恐怖数据——

平均每 2.5 个看到这个产品的人，里面就有 1 个人想要参与 Alpha 内测...

如果让我用一句话形容，那就是——

“MCP 时代已经过去，Team of Agents 时代可能要来了”

Teamo 的全称是“Team of Agents”。

它不是一个类 Manus 的工作流 Agent，而是一个“团队化作业”的 Agent Team。

这个 Agent Team，不是说提供几个不同功能、不同角色的 Agents 让你自己挑选，而是 Agent 组团来给你打工了。Teamo 是一个类真实运作公司所构成的 Agent 组织，每个角色在团队中拥有自己的职级和汇报关系。

简单来说，如果你手里有个复杂任务，给 Manus 比较像是委派给一个人去做，给 Teamo 则比较像是委派给一个团队去做。

从 Teamo 的第一印象上，我看到了一种未来的可能性，从原先的以工作流驱动的「单智能体」到以 Agent 协作驱动的「群体智能」的范式跃迁。

不过，这次 Alpha 版本的 Teamo 主要对外放出了搜、写和咨询这三个团队供测试，所以可以初步闭环验证的主要是知识类的场景。

后续将放出研发组、设计组等等，很难想象，等 Beta 版本把所有团队都上线后，将会打开怎样的潘多拉魔盒

比如我这里用 Teamo 跑一个 DeepResearch 任务，我希望快速调研一下”深度扩散模型”这个赛道。

在类 Manus 的产品里，你看到的是从任务规划到具体的搜索、阅读、写大纲、写段落等 33 个串行工作流节点。

而在 Teamo 里面，你看到的不是工作流，而是 Agent 与 Agent 之间的工作任务分配和工作成果传递。

工作任务分配：

工作成果的向上传递：

工作成果的跨组传递：

由于有了团队的概念，所以很自然的，当多个 Agent 的任务相互独立的时候，它们便可以并行干活了——

更有意思的是，两个 Agent 不一定被安排去做不同的事儿，也可能被安排去干同一件事儿，也就是互联网文化中常被吐槽的「赛马机制」。

Agent 赛马机制，在一定程度上能提升解决不稳定任务时的可靠性。同样的思想，其实可以类比机器学习中的“ensemble learning”。虽然暴力，但有效。

在 Agent 被 Team 化之后，不仅可靠性提升了，由于引入了大量的并行操作节点，复杂任务执行的速度也被大大提速了。

例如上面这个 DeepResearch 任务，Manus 这一个 Agent 跑了 33 个步骤，最快花了 7 分钟，一不小心就会跑出几十分钟；而 Teamo 各个 Agent 加起来的步骤数量是 manus 的 2～3 倍，但时间却只花了 5 分钟，而且稳定跑进 10 分钟内。

最关键的还是效果。

给你们直观对比下 Teamo 和 Manus 的区别。

这是 Manus 跑出的最终报告：

https://manus.im/share/6DVTH9muJQgjxt5G8Z2V6A?replay=1

PDF 文件的形式交付，给到了用户充分的情绪价值，看起来很唬人，但如果仔细一看里面的内容，发现作为综述，里面却仅有 8 篇参考文献。

而且连 dalle-2、imagen 的参考文献都没给到，甚至，连 Sora 都没有提及。

就连写作格式，也不符合一篇学术综述的要求...

再来看下 Teamo 跑出的最终报告：

https://teamo.floatmiracle.com/chat/6c4f8908-f6fe-4257-92ac-31a371f5cc35

ps：直接看写作组组长绩效打分为 S 级的 Gemini-2.5-Pro-论文写手 Agent

第一眼感受——文章格式上，遵循了一篇学术综述的写作规范。而且在文内的参考文献标号上，还很贴心的可以直接点击跳转到对应的参考文献。

第二眼，仔细阅读，发现调研的全面而准确。不仅像 DALL·E 2、Imagen、Sora 这样的重要工作没有遗漏，而且很多像 ControlNet 这类大众不了解，但在学术界地位相当的工作，也给挖出来了。

甚至让我没想到的是，竟然连深度扩散模型在生物信息学领域的落地工作，都给挖出来了——

我特意去查了一下，发现这个 RFdiffusion 是一篇发表在 Nature 上面的相当重磅的工作，引用量已经达到了 1287——

如果你觉得直接看最终结果不过瘾，你还可以返回去查看搜索组的每个组员给组长的工作汇报——

这里面有大量搜索组的某个组员 Agent 在调研过程中，其觉得很重要的工作就整理下来了。

这里面的信息相当全面，我数了下，最终综述的参考文献列表里，精选了 33 篇参考文献；而各个组员，则精选了 100 多篇高质量的相关论文；搜索组原始的文献调研数量，已经达到了大几百篇。。。

除此之外，Teamo 还做了多份研究报告的赛马比稿，写作组组长从多个 Agent 交付的稿件里面，找到了那个质量最高的稿子，而且给每份稿件做出了详细的批注。

现在我都会因此养成一个习惯，就是一个 DeepResearch 任务跑完后，我先关心的已经不再是任务产出的文件了，而是想先看看最下游的写作组组长打的绩效，如果遇到 S 级绩效的，那就代表这个任务大概率完成的不错，顺着找到 S 级绩效的稿件，可用性基本都很在线；若不幸遇到都是 B、C 甚至更低绩效的，就代表基本凉凉了。

尝试了 Teamo 后，我终于感觉摆脱了“亲自带实习生”的痛苦，因为写作组组长已经帮我干了我想干的事儿了。

如果未来，写作组组长能再代替我，去主动带着实习生做优化，那我真觉得 Teamo 可能成为知识工作者真正的工作伙伴，而不是一个事无巨细亲自带的实习生。

A2A 才是生产力问题的真正未来

尽管 Teamo 还只是小范围悄悄内测的 Alpha 版本，但从这个产品雏形中，我已经看到了 A2A 范式在大生产力问题中蕴含的巨大可能性。

未来 AI 能解决的不仅是一个垂直问题的工作流，甚至可能是一个公司级的业务流。

团队化、社会化，其实是人类数千年文明演进出来的极为可靠的生产力范式。

个体的能力、记忆、速度、容错性都是非常有限的，不仅人类如此，AI 也是如此。

因此，人类为了解决个体在生产活动中的这些问题，用数千年打造出了如今复杂的社会化分工的大生产体系。

真正的 AGI，一定不是由“个体”构建的，一定由“组织”构建的。

期待 Teamo 的 Beta 版本。

文章来自微信公众号 “ 夕小瑶科技说 ”，作者 夕小瑶编辑部