Kimi K2.5 与 Agent Swarm：含四个实用示例的指南

不过，缺点在于最终文稿中的部分论断引用不足或表述过于绝对。由于生产环境建议高度依赖具体情境，若能补充链接、来源以及更清晰的前提假设（硬件、模型规模、批大小、上下文长度），该指南会更有说服力。总体而言，它很好地处理了一个复杂的多部分提示词，并交付了一份简洁、可即刻使用、看起来可直接投入生产的行动手册。

数据集创建与标注

接下来，我将 Agent Swarm 应用于一个数据集构建任务，要求 Kimi K2.5 生成包含解题步骤与难度标签的 100 道数学应用题基准集。我还明确要求使用20 个智能体，以观察其在保证质量的同时，能否贴合蜂群规模的限制。

提示词： 

Build a small benchmark dataset of 100 math word problems with step-by-step solutions and difficulty labels. Use at least 20 agents to generate problems in parallel, verify solutions independently, and calibrate difficulty.技术支持

Kimi K2.5 Agent Swarm 将数据集创建视为包含生成、核验与校准的三阶段流水线。尽管提示词要求至少 20 个智能体，系统仍自主启动了 25 个子智能体，优先保证正确性而非严格遵循数量要求。有趣的是，同时活跃工作的智能体大约有 5 个，其他则排队等待，并在前序子任务完成后继续，这表明内部存在调度机制。

每个生成智能体负责一个不同的数学领域，并产出 5 道题与分步解答；随后分配 10 个智能体进行核验，最后由 5 个较小规模的智能体专注于难度校准。

亮点在于职责清晰分离与核验层面的冗余设计，实质性提升了数据集质量。主要缺点则是延迟与顺序瓶颈。

全程运行约需 20–25 分钟，使这种方法更适合高质量基准构建，而非快速迭代。即便有 25 个智能体，部分仍需等待他人完成，意味着蜂群仍受步骤逻辑所限。

尽管如此，能够根据子任务动态调整智能体数量、复用空闲智能体，并最终收敛到有标签的数据集，充分展示了 Agent Swarm 的行为特征。

大规模多模态问答

随后，我将 Kimi K2.5 推向多模态工作流：提供多张营养成分表图片，并要求进行结构化对比。目标是观察其在抽取、归一化与核验视觉数据方面的能力。

提示词：

I’m sharing images of nutrition labels from 7 packaged food items. Analyze them and produce a clear comparison specifically:
Extract fields like: calories, protein, total fat, sugar, sodium,  from each label.Normalize all values to a per-100g basis so items are comparableDouble-check numeric consistency (e.g. serving size vs totals)Rank the products from healthiest to least healthy, explaining the reasoningReturn a comparison table with normalized values for all items. Also include a summary highlighting, best high-protein option, the lowest sugar option, and items to avoid and why.
Assume the labels may vary in format and serving size. Resolve ambiguities where possible and note any missing or unclear values.技术支持

在这个多模态问答实验中，Kimi K2.5 Agent Swarm 以“一张标签对应一个子智能体”的方式拆解任务，启动 7 个并行子智能体从每张图中抽取营养字段，同时由一个协调智能体负责归一化、交叉核对与排序。

Kimi 的一个有趣之处在于，您在提示词中明确的约束（抽取、归一化、核验、排序）会有效转化为它实例化并指派子智能体的蓝图。

令我印象深刻的是，蜂群将核验视作重要步骤：在抽取之后，编排器会明确对齐食用分量、归一化数值并标记不明确之处，而非静默猜测。最终的综合步骤对产品进行排序，并指出高蛋白与低糖的最佳选项，展现了跨视觉输入的强聚合能力。

不足之处在于，使用蜂群分析 7 张高分辨率图片计算量较大，更像是高级功能，而非快速聊天工具。

该示例也暴露了一个当前限制：尽管基于图像的多模态分析表现良好，但尚不支持直接视频输入，因此后续尝试从烹饪视频生成食谱未能执行。

总体而言，该演示凸显了 Agent Swarm 在并行视觉抽取与结构化对齐方面的优势。

开发一款游戏

最后，我通过让其从零构建一款可交互的泡泡龙（Bubble Shooter）游戏来测试 Kimi K2.5 的编码能力。该实验强调模型如何处理端到端、具备状态的一致性代码生成，此时连贯性比并行性更重要。

提示词：

```markdown

构建一款可在本地网页浏览器中运行的完整泡泡龙游戏。游戏需支持鼠标与触控瞄准，显示实时瞄准辅助线，从底部中央发射彩色泡泡，允许子弹在侧墙反弹，并在碰撞后将泡泡吸附到顶部网格。

实现核心玩法逻辑：消除三个及以上相连同色泡泡，掉落与之断开的簇；跟踪并显示得分；显示下一颗泡泡预览；当泡泡越过接近底部的危险线时结束游戏。

视觉尽量简洁但响应式，包含重开按钮，并在最后给出本地运行与测试游戏的简要说明。

```

在这个游戏构建实验中，Kimi K2.5 Agent Swarm 作出了显著保守的选择：仅分配一个子智能体处理整个任务。

这一决策本身就很有意思，因为系统正确识别到这是一个耦合度高、具备状态的编码问题，重度并行只会增加协调开销而无益处。

该智能体产出了完整的本地可运行泡泡龙实现，包括瞄准、墙面反弹、网格吸附、三连消除、得分追踪与重启逻辑，既体现了玩法机制，也覆盖了 UI 流程。

我特别喜欢的是输出整体连贯、集成度高。但代价是，打磨与完善可能需要迭代式提示，因为一切都通过单智能体进行。

总体来看，该示例很好地说明了 Kimi K2.5 的 Agent Swarm 并非一味多生智能体，而是仅在并行确实能改善结果时才使用。

结语

在本教程中，Kimi K2.5 展示了其拆解复杂任务、动态分配智能体、并产出结构化、可直接用于决策的结果的能力，而这些传统上往往需要一个小团队才能完成。

同时，这些示例也清晰地勾勒了它的边界。

Agent Swarm 在调研、数据集构建与多模态抽取等广度型、重工具工作流中表现卓越，但对于如交互式游戏开发这类耦合紧密、具状态的任务，优势不大。

它也带来了关于延迟、成本与迭代速度的真实权衡，尤其在将核验与对齐置于原始吞吐之上时更为明显。

总体而言，Kimi K2.5 为智能体系统的未来方向提供了一个颇具吸引力的蓝图。对于愿意在智能体式工作流上进行探索的开发者与研究者而言，它是当下最值得体验的模型之一。

如果您希望进一步了解智能体式 AI 如何工作，建议查看AI Agent Fundamentals 技能路径。