MiniMax Agent 更名 Mavis：上线 Agent Teams，多智能体协作让复杂任务更好推进

最近，MiniMax 正式宣布旗下 Agent 产品全面升级，并更名为 Mavis。

这次更新最值得关注的地方，是 Mavis 上线了 Agent Teams 多智能体团队协作功能。简单来说，以前很多 AI Agent 更像是一个人独自完成任务，现在 Mavis 希望让多个不同角色的智能体组成团队，一起处理复杂任务。

根据公开报道，MiniMax 在 5 月 13 日官宣 Agent 产品升级为 Mavis，同时推出 Agent Teams，并整合订阅套餐权益。桌面端支持用户创建不同角色的智能体，让它们组队并行工作，用来完成超长、高难度和多步骤任务。

这也说明，AI Agent 正在进入一个新的阶段。

过去大家关注的是“一个 AI 能做多少事”，现在开始转向“多个 AI 如何分工协作，把一件复杂事情做完”。

为什么 MiniMax 要把 Agent 升级成 Mavis？

很多人用 AI Agent 做复杂任务时，应该都遇到过类似问题。

你让它写一份深度报告，它先列计划，然后做一半停下来问你要不要继续；
你让它做市场调研，它查了几条资料就开始总结，后面信息不够完整；
你让它做代码任务，它既要理解需求，又要写代码，还要检查问题，结果容易顾此失彼；
你让它后台处理长任务，它中途可能断掉，或者需要频繁确认。

这些问题并不是某一个产品独有，而是很多单智能体系统都会遇到的瓶颈。

公开报道中提到，MiniMax 认为单 Agent 存在几类明显短板：复杂任务容易中途终止，长流程任务容易逻辑跑偏，后台执行任务时无法即时响应用户，单一角色也很难同时适配代码、文档、调研等多种专业分工。

Mavis 的升级方向，就是为了解决这些问题。

它不是让一个 AI 硬扛所有任务，而是让不同智能体各自负责擅长的部分，再通过团队协作完成完整流程。

Agent Teams 是什么？

Agent Teams 可以理解成 Mavis 里的 AI 小队。

当用户提出一个复杂任务时，Mavis 可以根据任务需要组建多个智能体，让它们分别承担不同角色。

比如一个复杂任务可能需要：

负责规划的智能体；
负责搜索资料的智能体；
负责写作整理的智能体；
负责代码实现的智能体；
负责检查结果的智能体；
负责统筹进度的智能体。

MiniMax 官网对桌面端 Agent 的介绍中也提到，MiniMax 可以基于用户本地工作目录独立执行任务，或根据需求动态组建 Agent Team，并在持续协作中学习偏好、构建技能、保留项目上下文。

这种模式比单个 AI 更适合长流程任务。因为复杂任务本来就不是一个动作完成的，而是需要拆解、执行、检查和整合。

多智能体协作到底解决了什么问题？

1. 复杂任务更容易拆解

很多任务表面上是一句话，实际包含很多步骤。

比如“帮我做一份新能源车市场分析报告”，背后可能包括：

确定报告结构；
搜索行业数据；
分析竞品；
整理政策背景；
提炼趋势判断；
制作图表说明；
写成完整报告；
检查内容逻辑。

如果让单个 AI 从头做到尾，很容易在中途丢失重点。

多智能体协作的好处，是可以把任务拆给不同角色处理，让每个智能体专注一个部分，最后再汇总。

2. 并行处理提升效率

单个 AI 通常是一件事一件事做。

而 Agent Teams 可以让多个智能体并行推进。比如搜索资料、整理结构、生成内容、验证结果，可以由不同智能体同时处理。

这对深度研究、内容生产、代码开发、项目方案和数据分析都很有价值。

3. 结果更容易被检查

复杂任务最怕“看起来完成了，但细节错了”。

如果团队里有专门负责验证的智能体，就可以对前面生成的内容进行检查，比如检查引用是否合理、代码是否能运行、报告结构是否完整、结论是否前后一致。

这让 AI 不只是生成内容，也开始具备一定的自查能力。

4. 长任务不容易跑偏

长任务通常会涉及很多上下文。单个 AI 如果连续处理时间太长，容易忘记前面的目标，或者在某个环节偏离方向。

多智能体协作可以通过角色分工和任务管理，让长流程更清楚，减少中途跑偏的问题。

Mavis 更像一个“AI工作团队”，不是普通聊天助手

Mavis 的产品变化，其实反映了 AI 助手定位的变化。

普通聊天助手解决的是“问答”问题。你问一句，它答一句；你给一段内容，它帮你改一改。

而 Mavis 更想解决的是“任务”问题。用户不只是想得到一段回答，而是希望 AI 帮自己完成一件事。

比如：

做一份研究报告；
整理一个项目资料包；
写一个网页 Demo；
规划一次活动方案；
生成一套运营内容；
分析一批文档；
处理一个代码项目；
制作一个产品介绍页面。

这些任务都不是单轮对话能解决的。它们需要规划、执行、协作和交付。

所以 Mavis 的重点不是“聊得更像人”，而是“做事更像一个团队”。

Leader、Worker、Verifier：多智能体协作更有分工

从公开报道来看，Mavis 背后引入了 TeamEngine 基础设施，用来管理由 Leader、Worker 和 Verifier 组成的 Agent 团队。不同角色分别负责管理、执行任务和验证结果，帮助长程任务更稳定地推进。

这个设计很接近真实团队协作。

Leader 负责理解目标、规划步骤、分配任务；
Worker 负责执行具体工作，比如搜索、写作、开发、整理；
Verifier 负责检查结果，发现问题并反馈修正。

这种结构比“一个 AI 自己想、自己做、自己检查”更可靠。

因为复杂任务最需要的不是单点能力，而是流程能力。一个任务能不能完成，往往取决于是否有清楚的计划、稳定的执行和最后的检查。

适合 Mavis 的使用场景有哪些？

1. 深度研究报告

用户可以让 Mavis 围绕一个主题进行资料搜索、观点整理、结构搭建和报告撰写。

比如行业分析、产品调研、竞品对比、政策解读、市场趋势判断等，都适合多智能体协作完成。

2. 内容创作和运营策划

如果要做一套内容方案，Mavis 可以让不同智能体分别负责选题、资料、文案、标题、排版和检查。

这比单个 AI 一次性输出一篇文章更适合批量内容生产。

3. 代码开发和项目处理

对开发者来说，多智能体协作可以让 AI 分别处理需求理解、代码编写、错误排查、文档生成和测试检查。

MiniMax 相关文档中也展示过多智能体框架在复杂任务中的应用，例如由 Search、Document 等不同专用 Agent 并行完成旅行规划和 HTML 手册生成。

4. 办公自动化任务

比如整理文件、生成会议材料、制作工作计划、写邮件、总结资料、输出项目文档等，都是 Agent Teams 可以发挥作用的场景。

5. 长流程项目推进

如果一个任务需要持续运行很久，多智能体协作可以帮助拆分步骤，减少频繁中断和重复确认，让整个流程更接近真实工作方式。

订阅体系整合：一份订阅打通更多权益

除了产品能力升级，Mavis 这次还整合了订阅体系。

据公开报道，MiniMax 合并了 TokenPlan 与 Agent Plan 订阅体系，一份订阅即可打通 CLI、API、Agent 等能力，并覆盖 M2.7、音乐、视频、语音等模型，额度可跨端共享。

这对用户来说是一个很实际的变化。

以前不同功能可能对应不同套餐，用户想用 Agent、API、模型能力、音乐或视频生成，可能需要分别了解不同权益。现在订阅整合后，使用门槛会低一些，也更适合长期使用。

对高频用户来说，跨端额度共享也很重要。因为很多人并不是只在一个入口使用 AI，而是可能同时使用桌面端、开放平台、Agent、CLI 和 API。

订阅体系打通后，用户体验会更统一。

为什么多智能体协作会成为 AI Agent 的重要方向？

AI Agent 的目标，不只是回答问题，而是替用户完成任务。

但真正的任务往往很复杂。

一个 AI 模型再强，也很难在所有角色上同时保持高质量。它既要当项目经理，又要当研究员、写作者、开发者、测试员和审核员，压力自然很大。

多智能体协作的逻辑，是让 AI 任务执行更接近人类团队。

人类团队之所以有效，是因为每个人有分工，有人负责规划，有人负责执行，有人负责检查，有人负责交付。

AI Agent 也在往这个方向走。

未来，一个成熟的 Agent 系统可能不再是单个聊天框，而是一个可以自动组织能力、分配任务、协同执行、检查结果的工作系统。

Mavis 的 Agent Teams 正是这个方向上的一次产品化尝试。

对普通用户来说，Mavis 能带来什么变化？

对普通用户来说，Mavis 的价值不一定体现在某个单点功能，而是体现在复杂任务变得更容易交给 AI。

过去你可能会觉得：

AI 写短文还可以，写长报告容易乱；
AI 查资料可以，但深度不够；
AI 会写代码，但容易漏细节；
AI 能生成方案，但需要反复追问；
AI 处理长任务时，经常中途停下来。

Agent Teams 的出现，就是为了让这些任务更顺。

用户不需要自己手动拆成十几个提示词，也不需要不断提醒 AI 下一步做什么。Mavis 可以在任务内部完成更多规划、分工和协作。

这会让 AI 从“你一步步指挥它”，变成“它能更主动地把任务往前推进”。

对企业和开发者有什么意义？

对企业用户来说，多智能体协作可以提升复杂工作流的自动化能力。

比如企业内部的市场分析、客户研究、技术文档、客服知识库、代码维护、数据报告，都可以拆解成多个智能体协作流程。

对开发者来说，Mavis 和 MiniMax 的订阅打通也意味着 API、CLI、Agent 之间的连接更紧密。

如果一个开发者既需要调用模型 API，又需要用 Agent 处理本地项目，再偶尔用语音、音乐或视频模型，统一订阅会更方便。

这会让 MiniMax 的产品生态从单点模型调用，逐步走向模型、Agent、工具和多模态能力的一体化。

Mavis 还需要解决哪些问题？

多智能体协作听起来很强，但真正做好并不容易。

它至少需要解决几个问题：

1. 协作成本

多个智能体一起工作，会消耗更多计算资源。如果协作过程设计不好，可能会出现效率提升不明显、成本反而变高的问题。

2. 任务分配准确性

Leader 要能正确理解用户目标，并把任务分给合适的智能体。如果任务拆分不合理，后面的执行也会受影响。

3. 结果一致性

多个智能体分别工作，最后结果需要统一风格、逻辑和格式。否则可能会出现内容拼接感强、前后不一致的问题。

4. 用户可控性

用户既希望 AI 自动推进，又不希望它失控。怎样在自动化和人工确认之间找到平衡，是 Agent 产品必须解决的问题。

5. 真实交付质量

最终用户关心的不是有多少智能体参与，而是任务结果能不能用。多智能体协作的价值，最终还是要体现在交付质量上。

总结：Mavis 的重点不是更名，而是让 Agent 更会协作

MiniMax Agent 正式更名为 Mavis，表面上看是一次品牌升级，真正值得关注的是 Agent Teams 多智能体协作能力上线。

它解决的是单个 AI 在复杂任务中容易中断、跑偏、分工不足和协作能力弱的问题。通过不同角色智能体组队，Mavis 可以更好地处理长流程、高难度和多步骤任务。

同时，MiniMax 也整合了订阅体系，让 CLI、API、Agent 和多模态模型权益更统一，减少用户在不同套餐之间切换的麻烦。

从趋势上看，AI Agent 正在从单个助手走向智能体团队。未来真正好用的 AI 工具，可能不只是能回答问题，而是能规划任务、组织团队、执行流程、检查结果，并最终交付可用成果。

Mavis 的出现，正是这一趋势里的一个重要信号。