Grep 让一千个 Agent 同时查公司：十万家客户的活，33 小时能干完？
Grep.ai 把 swarms 开放给所有人。它把任务拆成阶段，让经理 Agent 协调上千个执行 Agent，机械活跑代码，判断才叫模型。银行合规案例里，一个人 25 年的检查量，按文中算法可以压到几十小时。听起来像电子工位，但企业买单的往往就是这种账。
Grep.ai 本周把 swarms 开放给所有人。Garry Tan 转发了 Miguel Ríos Berríos 的文章。Miguel 是 Grep 的创始人兼 CTO，之前在 Brex 管平台工程，在 Twitter 管数据科学。文章讲的是技术实现、当前用法和他们对未来的判断。简单说，一个 Slack 消息可以拉起上千个 agent 干活，这个画面比“又一个 agent 功能”更值得看。
LLM 调用加上工具，再放进循环，成了 agent。skills、MCP、sandbox 让这个循环更好用，但它仍然是一个循环：输入进去，agent 干到目标，结果出来。Miguel 把 swarm 当成下一层：给一组 agent 一个目标，让它们一起做完。有人会以为 swarm 就是拿一个列表，每行塞一个 agent。文章明确反对这个理解。批量可以是 swarm 的一部分，但有效的 swarm 需要阶段、不同专长的 agent，以及一个协调层。协调层是一个跑在前沿模型上的经理 agent，从开始到结束对目标负责。
他们自己跑的 lead-gen swarm 像一张会自动填写的表格。第一阶段按 ICP 找公司，一个地区一个 agent，最后合并去重。第二阶段每家公司一个 agent，同时查它卖什么、在招什么人、管理层最近说了什么。每个 agent 只能填自己那一行的列，一千个 agent 不会把公司搞混。最后阶段一个 agent 读所有结果，按细分市场写报告，按公司写销售包。合并表格和导出表格用普通代码，成本为零，也不会编。研究步骤实际由三个 agent 组成：公司、增长信号、对接人。经理下面五个 agent。不是每个步骤都要完整 agent。agent 可以先在少量公司上学会任务，写成 workflow，剩下的列表跑 workflow，文中说每家公司最多便宜 90%。难例仍交给完整 agent。这个细节很关键，swarm 能不能划算就看这里。
经理是异步 agent，会 tick。swarm 可以跑几小时，让前沿模型一直醒着盯进度很浪费。经理醒来读状态，推进，再睡。每个 tick 里机械动作跑代码：输入齐了启动阶段，agent 完成收集结果，做 join 和 export。模型只在判断时醒来，比如四十家公司查空了怎么办，计划达不到目标要不要问你。预算上限留在代码里，模型没法跟它辩论。这个设计比“让模型全权管理”更接近可运营系统。
消息有三种走法。经理对单个或整阶段发指令，比如别全网搜了，直接去州注册库第二页拿高管名单；agent 之间共享发现，一个母公司文件列出子公司，相关 agent 跳过搜索；agent 向经理升级问题。底层是 inbox，消息推进当前 transcript，经理下次 tick 读。这个机制不花哨，但决定了 swarm 是否比静态 workflow 更抗变化。
对外接口面向 agent 设计。主入口是 Grep MCP。网页里的 brain chat 也能启动，但大部分内部 swarm 从 Claude Code、Codex 或 Slack 提及开始。swarm 是 MCP Task：你的 agent 启动，拿 task id，查进度，取交付物。MCP Events 让 agent 订阅签名回调，完成、需要关注、取消时收到通知。七个调用覆盖 prepare、validate、quote、approve、view、records、retry。开发者可以把它看成给 agent 用的长任务 API。
用例先看银行。十万企业客户多年没复查。公司还活着吗，有网站吗，还卖当年说的东西吗。轻量检查一家三十分钟，十万家是五万小时，等于一个分析师二十五年。雇一百人，每人约三个月工作量，加上两到四个月搭建团队，约半年，还要一直付钱。银行算完账，理性选择是跳过检查，继续承担 assumed risk。Miguel 的论点是 swarm 改写这道算术。检查写一次，跑整个组合，每家公司一个 agent，最后一个 agent 读结果并给建议。按文中数字，一个 swarm 今天最多一万家，十万家是十个 swarm，一个 agent 可以全部启动。deep research agent 每家公司约二十分钟，一千个并发，十万家约三十三小时。每次检查成本约为分析师半小时的二十分之一，还没算 learned workflow。这里有点讽刺：企业不一定为“更聪明的 AI”买单，但会为把不可测量的风险变成可计算成本买单。
另一个方向是增长。ICP 找出几百几千家公司，每家公司一个 agent 找增长瓶颈信号：是不是在大量招运营，管理层在财报会、采访、LinkedIn 上说了什么痛点。最后一个 agent 把结果做成按公司或按细分市场的包。传统 enrichment 给不了这个，因为每一行都是一次小深度研究。
Miguel 认为 swarm 没有人类类比。人可以大规模协调，球场合唱、全国投票，但每个人做简单的事，也不需要邻居的发现。人类从未把一万个熟练知识工作者放在同一个知识工作上，让他们边干边共享，当天拿结果。最接近的是 BPO，临时劳动力，新团队要两到四个月才跑稳。swarm 可以一条消息启动几千、几十万甚至理论上几百万个有前沿智能和工具的 agent。这个说法很大，但文章没有把它包装成已经发生。Miguel 也承认最大用例还不知道。GPU 拿给早期计算机的人，他们只会把原来的数学算快，不会想到电子游戏或训练大模型。swarm 现在也在这个阶段，文中用例都像已知工作的加速版。
有网友在回复里抓到一个小点：一份 filing 省下上千次搜索。另一个回复说等一个能规模使用 agent 的框架很久了。Grep 这次开放的是早期产品，不是成熟基础设施。对开发者，值得看的是协调层、inbox、MCP 长任务接口和 workflow 学习；对普通读者，值得看的是成本账，不是演示视频。
来源：
发布时间: 2026-10-29 04:36