本文将深入探讨Genspark这家24人规模的公司，如何通过其独特的Mixture-of-Agents（多智能体混合，简称MoA）架构，将多个模型融合成一个完整的系统，实现从“做出更聪明的模型”到“让模型们协作”的范式转变。

从“最强大脑”到“智能协作体”。

“单模型性能的边际提升，正在快速递减。”

近期我们和一些大模型（LLM）研发者沟通时，不少人都有类似的感受。

过去几年，AI模型性能的提升主要来自两个方向：模型参数规模扩大，训练数据与算力的增长。

根据OpenAI、Anthropic、DeepMind等团队的研究，模型性能与参数规模之间呈幂律关系（Power Law），即性能随参数增加而提升，但提升幅度逐渐减小，表现出边际收益递减的趋势。

这也和我们的观察所吻合，今年以来，我们看到的模型改进主要来自“上下文记忆增强”“多模态融合”“推理链优化”等方向，这些都不是纯粹靠“变大”实现的，而是靠“变巧”。单一模型的“性能天花板”已悄然出现。

在海外，OpenAI、Anthropic、Google等大模型公司的最新模型，在性能上的差距越来越小。用户大体的感知是：GPT系列在创造性和逻辑推理方面略胜，Claude系列在编码和文本理解方面略优，Gemini系列在多模态方面略强。但对C端用户来说，这种差异不再能直接转化为新的付费理由。

「甲子光年」发现，市场的竞争焦点从“模型谁更聪明”转向“谁能更好地用这些模型”，从“模型竞争”过渡到“系统竞争”。AI大模型参数规模不再是关键，AI系统工程架构的创新才是新的突破点。

在这种背景下，AI Agent（智能体）的成为了AI行业新的叙事主体。甲子光年智库在《中国AI Agent行业研究报告》中，将AI Agent定义为具有自主性、反应性、交互性等特征的智能“代理” ，用公式表示就是：大模型时代的AI Agent=LLM x（规划+记忆+工具+行动）。

而在众多AI Agent公司之中，一家几乎没有投放广告、仅24人规模的公司却被频频提起——Genspark。

很多人对Genspark的印象还停留在华人硅谷创业公司、不断更新的产品功能以及45天3600万美元ARR（年度经常性收入）的商业成绩，但更有价值的是，这家从AI搜索起家的公司，用一套Mixture-of-Agents（多智能体混合，简称MoA）架构，把多模型融合成一个完整系统。

Genspark代表了从“做出更聪明的模型”到“让模型们协作”的范式转变，这也是一个关于工程哲学的故事。

1.在AI Agent领域率先引入MoA的概念

Genspark是由小度前CEO景鲲（Eric Jing）与小度前CTO朱凯华（Kay Zhu）联合创立的MainFunc公司推出的AI Agent产品，2024年6月Beta版上线，初期定位为AI搜索引擎，通过生成无偏见的Sparkpages页面提供可信信息，主要面向美国市场。

景鲲前下属、AI从业者刘佳（化名）告诉「甲子光年」，景鲲还在小度工作的时候，就多次提到要“重构搜索背后的内容生态”。

后来，Genspark陆续加入Multi-Agent、Deep Research等功能，并于2025年4月升级为Super Agent产品，上线9天实现了1000万美元的ARR，上线45天就实现了3600万美元的ARR。对比来看，AI Coding领域的明星企业Cursor，实现1000万美元ARR，用了21个月。

在众多AI Agent产品中，Genspark去年底引入了MoA的概念并将其工程化。可以说，Genspark是全球最早将MoA这一概念落地到消费级AI Agent产品中的团队之一。而Genspark在2024年12月的宣传视频中则称其为“world’s first Mixture-of-Agents (MoA) system（世界首个MoA系统）”

简单来说，MoA系统会让多个专长不同的模型组成一个多脑协作体：比如，OpenAI模型负责创造性与自然语言任务，Claude负责逻辑推理与结构化生成，Gemini负责视觉与多模态感知。当然，实际工作中MoA的机制会更复杂。

不过，MoA并非Genspark首创。

2024年6月，Junlin Wang等作者在《Mixture-of-Agents Enhances Large Language Model Capabilities》论文中指出，随着LLMs数量的不断增加，如何利用多种LLMs的集体专长成为一个令人兴奋的开放方向，他们写道：“为此，我们提出了一种新方法，通过Mixture-of-Agents（MoA）利用多种LLMs的集体优势。在我们的方法中，我们构建了一个分层的MoA架构，每一层由多个LLM agent组成。每个agent在生成其响应时都会将上一层所有agent的输出作为辅助信息。MoA模型在AlpacaEval 2.0、MT-Bench和FLASK上取得了最先进的性能，超越了GPT-4 Omni。”

MoA架构，图片来源：《Mixture-of-Agents Enhances Large Language Model Capabilities》

这篇论文的作者都来自Together AI，这是一家以研究为驱动的AI公司，赋能开发者和研究人员训练、微调并部署生成式AI模型。

2025年1月，Genspark在其官方博客中发布了一篇文章《Enhancements in Mixture of Agents（多智能体混合的改进）》，文中提到：Mixture of Agents方法代表了AI领域的重大进展，特别是在提升LLMs能力方面。通过利用多个模型的力量，MoA不仅提高了性能，还为AI应用的创新开辟了新途径。

Genspark还指出，MoA架构并不限于两层结构；它可以扩展为三层甚至更多层，从而实现模型之间更复杂的交互。这种多层化的设计可以通过跨多轮的响应综合进一步优化输出质量，提升最终结果的整体水平。举例来说，在一个三层架构中，第一层生成的初始响应会被第二层进一步加工处理，随后在最终层进行聚合，从而得到一个更细腻、更全面的输出结果。

值得注意的是，Genspark在这篇博客中引用了Together AI的MoA论文。

《Enhancements in Mixture of Agents》，图片来源：Genspark

今年4月，Genspark发布Super Agent，全面转型通用Agent，不再局限于AI搜索。

朱凯华在Genspark Super Agent上线后发布的公开信中表示：“我们做出了一个违反直觉的决定。尽管我们旗下AI搜索产品已覆盖超过500万用户，但我们还是要将其放弃。至于理由，是因为我们认为传统AI搜索已经过时。”

《Why I Killed Our AI Search Product With 5 Million Users》，图片来源：Genspark

Genspark Super Agent的确也取得了不错的测评成绩。在今年4月的GAIA基准测试中，Genspark就超过了Manus和OpenAI Deep Research。

图片来源：Genspark

景鲲将这一成绩归功于“大模型、工具集、数据集”三者的协同作用，“它们让Genspark Super Agent快速、可靠、超级可控。”

图片来源：Genspark

转型后的Genspark，依然坚持了MoA架构。

Genspark Super Agent利用由9个不同规模的大模型组成了MoA系统，该系统允许Agent针对特定任务动态选择最合适的模型，从而在各种场景中确保最佳性能。与依赖单一模型的传统AI系统不同，这种架构增强了灵活性和效率，让Genspark Super Agent成为用户的多功能工具。

除此之外，我们还了解到，Genspark Super Agent可以调用图像生成模型、视频生成模型、音频生成模型以及专用功能模型（翻译、搜索、代码、分析等），其背后的模型有将近50种，而且会动态更新。

「甲子光年」认为，随着新一代基础模型陆续登场，通用Agent的竞争格局也在重排。谁能最快吸纳新模型能力、谁能最平衡模型与体验，决定了下一个拐点。

2.Less Control, More Tools

要让多个模型协作，不仅是模型问题，而是工程问题。

Genspark的核心突破是打造了一套称为Agent Engine的中枢系统。它由两个关键机制组成：模型编排（Model Orchestration）与改进循环（Improvement Loop）。

MainFunc公司CTO朱凯华用一句话概括了Genspark团队的核心理念：“少控制，多工具（Less Control, More Tools）。”意思是不追求中心化智能，而让系统自己找到最优解。

图片来源：朱凯华《Less Control, More Tools: How Genspark Built a Super Agent That Scales》演讲

AI Agent的本质是在一个循环中，基于环境反馈来选择合适的工具，最终完成其任务的智能体。其核心架构包含大脑（Brain）、规划（Planning）、记忆（Memory）、工具使用（Tool Use）四个关键组件，主流的Agent框架有ReAct（Reason-Act）、Plan-Execute、Multi-Agent等。

随着市场竞争的激烈，越来越多的AI Agent产品都在采用多智能体（Multi-Agent）架构。比如，Manus采用了规划-执行-验证三级代理架构，Skywork采用了五大专家Agent协同，Fellou推出了智能体网络，Comet推出了基于浏览器会话的Agent集群等。相关产品也给用户带来了不错的使用体验。

多智能体实现模拟人类工作流程，图片来源：甲子光年智库《2024年AI Agent行业报告》

不过，我们了解到，市面上有一些声称自己采用了Multi-Agent架构的Agent产品，实际上却只是单一模型的角色扮演：角色A负责规划、角色B负责执行、角色C负责验证。即使AutoGen、LangGraph等框架支持多Agent，但是底层依然依赖单一大模型。

如果传统智能体的架构是“单一LLM→角色A（规划）→角色B（执行）→角色C（验证）”，本质是“一个大脑控制多个手”；那么Genspark MoA的架构则是“任务输入 → 模型A（专业分析） → 模型B（创意思考） → 模型C（逻辑验证） → 智能融合 → 最优输出”，本质是“多个大脑的协同思考”。

这种“多个大脑协同思考”的MoA架构比起单一模型加持的Multi-Agent架构产品性能显著提升。

MoA系统其实不仅是Genspark一家公司的优势，而是整个通用Agent行业的优势。曾经是OpenAI第五号员工，现在是Convergence AI工程负责人的郑浅，今年3月在锦秋基金组织的分享活动上就明确表示：“Agent公司的创业核心竞争力在于其Agent orchestrator（编排）。”

郑浅认为，Agent核心是“大脑”即Agent orchestrator。若单纯缝合工具而不加强Agent orchestrator开发，就像没有大脑只有工具的人，无法很好执行任何任务。若Agent orchestrator能同时生成多个Agent，每个负责一篇报告并行处理，最后整合信息，效率将是线性处理的10倍。因此，并行Agent必然是未来趋势。

如果说MoA系统是Genspark在“模型编排”领域下的重注，那么评分机制就是Genspark在“改进循环”领域的一步妙手。

在Agent结构中，评分器（Scorer）是不可或缺的模块，它不仅是模型生成内容的“质量校准器”，更在Agent的动态策略调整、保障系统可信度、优化任务完成效率等方面发挥着重要作用。

评估流程：从数据集中取样本，输入到应用，获得输出，然后由评估器（可结合真实答案）对输出进行打分，从而完成对产品的评估。 图片来源：LangChain

不过，⽬前Agent领域的⼀个核⼼问题是到底什么是可以被评分的。

比如在医疗和法律领域，有⼈批评某些评估⽅法过于简单，⽐如通过律师资格考试并不等于成为⼀名真正的律师，通过医学考试也不意味着能胜任医⽣的⼯作。

和很多Agent产品一样，Genspark同样使用大模型作为“评分器”来评估整个代理会话，并生成整体奖励。然而，Genspark将这些奖励归因于会话中的每个步骤，这种细致的反馈（改进循环）能够准确揭示哪些工具在哪些情况下最有效。

图片来源：朱凯华《Less Control, More Tools: How Genspark Built a Super Agent That Scales》演讲

具体而言，Genspark的评分器则建立了多维度动态评分机制，在任务执行过程中持续评估中间输出（如PPT大纲结构合理性），动态调整后续生成策略；同时还内置了消费电子、医疗等垂直领域的知识图谱等10多个专业数据集，可以检测输出内容与行业常识的冲突。端到端的闭环评估系统则可以通过多Agent协同评分、可解释性报告生成等方式增强评分的准确性。

3.去中心化的AI系统设计哲学

工具集的数量也是Genspark的一个亮点，Genspark Super Agent集成了80多个工具集。

AI Agent产品调用的工具大约是10~15个，如果调用的工具增多，会拖慢Agent的运行速度。此前OpenAI Agent产品负责人Nikunj就曾在访谈中表示，Agent下⼀步的发展⽅向是如何突破⽬前10~15个⼯具的限制，即如何让Agent 接⼊数百个⼯具，并能够⾃主判断调⽤哪个⼯具、如何使⽤它们。

Agent调用工具步骤越多，得分越低，图片来源：CLUE中文语言理解测评基准

而Genspark内部集成了80多个工具集，包含Python 解释器、幻灯片制作器、Crunchbase API、视频生成器、图像生成器、数据库连接器、分析平台等，在增强了智能体功能丰富性的同时，却并没有拖慢Agent的运行时间。这不仅得益于其MoA架构的分工协作，更是得益于他们的智能预筛选、分层搜索策略、懒加载优化和工程化优化策略。

实质上，Genspark并非简单地“承载”这些工具集，而是构建了一个智能的工具管理和调度系统。这就像一个智能仓库，虽然有80种商品，但机器人不是盲目搜索全部，而是根据订单快速定位到相关区域，只检查最可能的5~8个选项。

朱凯华认为，在设计工具集时，最重要的考虑因素是可组合性。每个工具都应提供简洁、文档齐全的API。就像搭建乐高积木一样——每个积木块都应该与其他积木块无缝连接，这让Agent系统能够以人从未预料到的方式自动选择和组合工具。能够做到这一点的公司不仅拥有工具，还拥有一个工具生态系统。

“我们相信工具具有网络效应，Genspark技术架构的关键在于每增加一个新工具并非仅仅增加一项功能，而是与所有现有的工具形成指数级组合——工具A的输出可以输入到工具B，而工具B又可以与工具C结合。”朱凯华在演讲中表示。

“Less Control, More Tools” 体现出一种去中心化的AI系统设计哲学。

Genspark Super Agent的突破正在于此。它把控制权交给系统自身的反馈循环，用“工具的多样性”和“协作的智能性”取代“人为的流程控制”，最终实现可扩展、自优化的超级智能体。

这不仅是技术架构的升级，更是思维方式的转变。

自4月上线以来，Genspark Super Agent几乎以“每周一更”的疯狂节奏推进更新。本月初，Genspark推出了“Photo Genius（图片大师）”功能，将图片编辑带入全新的“口述即编辑”体验，用户可以用语音控制美颜，实现风格即时切换、场景魔术切换、照片拯救、合影魔术等。

过去，我们崇拜“大模型”：GPT、Claude、Gemini。

但未来，我们需要更重视“系统”：谁能把这些模型组织成高效、稳定、自优化的智能体系统，谁才真正掌握了AI生产力的钥匙。

AI Agent产业的竞争格局正在转变：从模型竞争到系统竞争；从算法思维到工程思维；从卖功能到卖结果。

Genspark的MoA架构，让人看到了“新一代AI Agent系统”前景。

当然，它仍有风险与挑战——模型调用成本高、任务调度复杂、可解释性与一致性问题仍未彻底解决。

我们认为，AI Agent未来要面临的，不是算法的极限，而是系统的边界。而Genspark正在扩张的，正是这种边界。