两个 Agent 分工协作：一个生成、一个校验，双重把关减少返工
问题背景：AI 幻觉导致返工
任何用过大语言模型的人都熟悉这个场景：AI 输出看起来很专业，但某个数据是错的、某个年份记错了、某个公司被张冠李戴了。修复这些错误的时间，可能比一开始手写还久。
AnyGen 的解法不是"换一个更准的模型"，而是架构层面增加了第二个 Agent。
双 Agent 怎么协作
- Content Agent：负责内容生成，包括文档、幻灯片、分析报告等所有产出。
- Verification Agent：Content Agent 输出后自动触发，负责核查事实准确性、交叉验证数据来源、标出需要人工复核的部分。
两个 Agent 协同的效果是：
其他 AI 猜你要什么。AnyGen 的一个 Agent 为你生成，另一个 Agent 再为你验证。
实际效果
官网声称这能"在交付给老板或客户之前，捕获不准确的信息"。常见的被校验出来的问题包括：
- 市场规模数据引用来源不明确
- 对比表格中某一项的数值对不上原文
- 某公司的成立年份或产品发布时间记错
- 研究结论的推理链条有跳步
Verification Agent 不是万能的——它基于公开信息做交叉验证，如果来源本身就有矛盾，还是需要你判断。但它至少能帮你把大部分低级错误拦下来，不用等到老板看到才尴尬。
和 Prompt 工程的关系
双 Agent 校验和 Prompt 工程是两件事。Prompt 工程是在生成之前告诉 AI "要小心、要引用来源、要交叉验证"；双 Agent 是在生成之后实际跑一遍校验流程。两者不冲突——你可以同时用结构化问卷澄清需求 + 让 Verification Agent 事后核查，效果更好。
什么时候需要额外小心
Verification Agent 是锦上添花，不是雪中送炭。以下场景仍然需要你自己把关：
- 专有领域知识：比如某个内部项目的技术参数、某个小众行业的交易数据——这些公开数据里没有，Verification Agent 无从校验。
- 主观判断：比如"这个方案好不好"、"这个品牌应该走什么风格"——AI 无法代替你做价值判断。
- 敏感数据：涉及商业机密、个人隐私的内容，不要依赖任何 AI 来处理。