6 月 1 日，扣子 3.0 在手机端、电脑端、网页端三端同时全量更新。这次更新不是界面翻新，而是架构层面的变化——扣子提出了"AI 团队协作"的新范式：Agent 不再只是对话框里的单点助手，而是可以被创建、接入、随时调度的工作单元；任务不再散落在聊天记录里，而是放进项目里拆解、分配和沉淀；行业技能包则为复杂任务提供专业支撑。
一句话概括：Agent 从"你问我答"走向"分工协作"。
三端同步：工作现场不再受设备限制
这次更新覆盖 iOS、Android、MacOS、Windows 和网页端，意味着同一个项目、同一组 Agent，在手机上发起任务、在电脑上继续拆解、在网页端查看沉淀结果，数据和工作状态是连续的。
对开发者来说，三端同步的实际意义在于：你可以在通勤时用手机给 Agent 下达一个调研任务，到办公室后打开电脑端查看 Agent 返回的结构化报告，再在网页端把结果拖进项目板做下一步拆解。工作流不会因为切换设备而断裂。
Agent 可创建、可接入、可调度
扣子 3.0 的核心架构变化是：Agent 变成了可组合的模块。
- 创建：你可以根据不同职能定义多个 Agent，比如一个负责数据采集、一个负责文案生成、一个负责质量审核。
- 接入：Agent 可以接入外部工具和数据源——API、数据库、文件系统，让 Agent 的行动范围从"生成文本"扩展到"执行操作"。
- 调度：多个 Agent 可以被编排进同一个工作流，按顺序或按条件触发，形成协作链条。
这和之前"一个 Bot 对一个用户"的模式完全不同。现在更像是一个小团队：每个 Agent 有明确职责，任务在它们之间流转。
项目制：任务拆解、分配与沉淀
扣子 3.0 引入了"项目"概念。任务不再是单次对话，而是可以被放进项目里：
- 拆解：一个大目标可以拆成多个子任务，每个子任务分配给合适的 Agent。
- 分配：子任务之间有依赖关系和执行顺序，项目板可以可视化呈现。
- 沉淀：任务完成后，结果、中间产物、决策记录都留在项目里，形成可复用的知识资产。
这解决了一个长期痛点：之前用 AI 做复杂任务，中间结果散落在聊天记录里，没法追溯也没法复用。项目制让工作过程有了结构。
行业技能包：给 Agent 装上专业工具箱
行业技能包是扣子 3.0 为复杂任务提供的另一层支撑。简单理解，它是一组预置的专业能力模块——特定领域的知识、工具调用配置、输出模板等。Agent 装上对应的技能包后，就不只是"通用 AI"，而是带专业背景的执行者。
比如做市场调研的 Agent，装上调研技能包后，它就知道该从哪些数据源抓信息、用什么框架分析、以什么格式输出报告。技能包把"领域经验"从提示词里抽出来，变成了可共享、可迭代的标准化组件。
实践：用扣子 API 搭一个最小多 Agent 协作流
下面用一个可运行的 Python 示例，演示如何通过扣子开放 API 创建两个 Agent 并编排它们协作完成一个"调研→写稿"任务。
前提：你需要在扣子平台注册并获取 API Token，同时已创建好对应的 Bot。以下代码基于扣子公开 API 文档的调用风格编写，具体端点以官方最新文档为准。
import requests
import json
import time
COZE_API_BASE = "https://api.coze.cn"
API_TOKEN = "your_coze_api_token_here" # 替换为你的实际 Token
headers = {
"Authorization": f"Bearer {API_TOKEN}",
"Content-Type": "application/json",
}
# --- Step 1: 定义两个 Agent 的 ID（在扣子平台提前创建） ---
RESEARCH_BOT_ID = "bot_research_xxxx" # 调研 Agent
WRITER_BOT_ID = "bot_writer_xxxx" # 写稿 Agent
# --- Step 2: 给调研 Agent 下达任务 ---
def dispatch_agent(bot_id, user_message):
"""向指定 Bot 发送消息并获取回复"""
url = f"{COZE_API_BASE}/v3/chat"
payload = {
"bot_id": bot_id,
"user_id": "demo_user_001",
"stream": False,
"auto_save_history": True,
"additional_messages": [
{
"role": "user",
"content": user_message,
"content_type": "text",
}
],
}
resp = requests.post(url, headers=headers, json=payload, timeout=120)
resp.raise_for_status()
data = resp.json()
chat_id = data["data"]["id"]
# 等待任务完成
status = data["data"]["status"]
while status == "in_progress":
time.sleep(3)
check_url = f"{COZE_API_BASE}/v3/chat/retrieve"
check_payload = {"chat_id": chat_id, "user_id": "demo_user_001"}
check_resp = requests.post(check_url, headers=headers, json=check_payload)
status = check_resp.json()["data"]["status"]
# 获取最终消息列表
msg_url = f"{COZE_API_BASE}/v3/chat/message/list"
msg_payload = {"chat_id": chat_id, "user_id": "demo_user_001"}
msg_resp = requests.post(msg_url, headers=headers, json=msg_payload)
messages = msg_resp.json()["data"]
# 提取 Assistant 的回复
for m in messages:
if m["role"] == "assistant" and m["content_type"] == "text":
return m["content"]
return ""
# --- Step 3: 编排协作流 ---
topic = "2024年中国新能源汽车市场格局分析"
print("▶ 调研 Agent 开始工作...")
research_result = dispatch_agent(
RESEARCH_BOT_ID,
f"请对以下主题做结构化调研，输出关键数据点、趋势判断和核心论据：{topic}"
)
print(f"✅ 调研结果（前200字）：\n{research_result[:200]}...\n")
print("▶ 写稿 Agent 开始工作...")
article = dispatch_agent(
WRITER_BOT_ID,
f"基于以下调研素材，撰写一篇1500字左右的深度分析文章，要求有数据支撑、观点鲜明、结构清晰：\n\n{research_result}"
)
print(f"✅ 最终文章（前300字）：\n{article[:300]}...\n")
print("🎉 协作流完成，结果已沉淀在扣子项目历史中。")
运行前需要修改的地方：
API_TOKEN：替换为你在扣子开发者后台获取的真实 Token。RESEARCH_BOT_ID/WRITER_BOT_ID：替换为你在扣子平台创建的两个 Bot 的 ID。- 调研 Bot 建议配置"联网搜索"插件和调研技能包；写稿 Bot 建议配置长文写作能力。
这个示例展示了扣子 3.0 架构的核心思路：每个 Agent 有专职，任务在 Agent 之间流转，中间结果自动沉淀。你可以在此基础上扩展——加入审核 Agent 做质量把关，加入数据 Agent 做图表生成，链条越长，协作越接近真实团队的工作方式。
上手建议与注意事项
- 从两个 Agent 开始：不要一开始就搭五六个 Agent 的复杂流。先用"调研+写稿"或"翻译+校对"这种双 Agent 模式验证流程，再逐步增加节点。
- 技能包优先用现成的：扣子提供的行业技能包已经封装了领域知识和工具配置，先拿来用，跑通之后再考虑自定义。
- 项目板是关键：复杂任务一定要放进项目里管理，不要依赖单次对话。项目板让任务状态可视化，也让结果可追溯。
- 注意 API 调用成本：多 Agent 流意味着多次 API 调用，每个 Agent 的轮次和 token 消耗要提前评估，避免调研 Agent 跑了十轮还没收敛。
- 三端体验有差异：手机端适合快速下达指令和查看结果，复杂编排建议在电脑端或网页端完成，操作空间更大。
扣子 3.0 的方向很明确：AI 不再是单点工具，而是可编排的协作单元。这个架构能不能真正提升效率，取决于你能不能把真实工作流拆成清晰的 Agent 职责和任务链条——技术已经准备好了，剩下的考验是对工作本身的理解。