Sakana Fugu – Sakana AI 推出的多智能体编排系统

1. Sakana Fugu是什么

Sakana Fugu是Sakana AI推出的多智能体编排系统，通过单一API动态调度顶尖模型，实现集体智能涌现。系统内置TRINITY进化型协调器与Conductor强化学习编排器，自动为不同模型分配思考者、执行者与验证者角色，无需人工预设工作流。Fugu支持递归自我调用与灵活模型池管控，提供标准版与Ultra版，在严苛基准测试中达到前沿性能，比肩Fable 5与Mythos Preview，同时消除单一供应商依赖与出口管制风险。

技术定位与领域： Sakana Fugu属于多智能体系统（MAS）与LLM编排领域，位于模型路由层之上。它并非传统意义上的单一模型，而是一个专门训练的、能理解何时委派、如何通信、怎样整合的语言模型，充当多个模型之间的智能协调层。该工具的核心创新在于将多模型协作从硬编码流水线提升为自主学习、动态演化的系统，适用于需要复杂推理、多步骤协作与高可靠性输出的企业级应用。

研发背景： Sakana AI是一家专注于高效AI模型与智能体系统的研究机构，其研究根植于自然进化与集体智能理论。Fugu系统的技术基础源于两篇ICLR 2026论文——《TRINITY: Evolution-driven Orchestrator for Multi-LLM Systems》与《Conductor: Reinforcement Learning for LLM Orchestration》。研发动机在于解决当前多模型系统普遍存在的三大痛点：固定流水线效率低下、单一供应商锁定风险、以及缺乏动态适应能力。Sakana AI试图通过进化算法与强化学习的结合，让模型集群自发涌现出超越任何单一成员的协作能力。

核心价值： Sakana Fugu解决了企业级AI应用中的核心矛盾——如何在保持单一API调用便利性的同时，获得多模型协作带来的性能提升与容错韧性。其价值体现在三个层面：首先是性能突破，在MATH、HumanEval、CTI-REALM等严苛基准上超越单一前沿模型；其次是架构弹性，底层模型池可替换，单一供应商不可用时自动路由绕过，从根本上避免服务中断与出口管制风险；最后是成本优化，Fugu Ultra版本以Opus 4.8三分之一的价格实现同等甚至更优的推理性能。

技术特点： Sakana Fugu的核心技术特点在于其模型即编排器的架构——系统本身是一个轻量级语言模型，通过轻量级头部从隐藏状态预测下一步应调用的模型及角色，以极低的额外计算成本实现高效路由。其动态自主学习能力使系统能够根据任务类型（编码、数学、推理等）自适应调整协作策略，无需人工预设。递归自我调用机制则允许Fugu在处理复杂任务时调用自身实例作为更高层协调器，形成层次化推理架构。

2. 主要功能

• 单一API统一调度： 用户通过OpenAI兼容端点调用Fugu，系统内部自动完成模型选择、任务委派、验证与答案合成全过程。这意味着开发者无需安装任何独家SDK或修改现有代码架构，仅需修改endpoint即可接入，极大地降低了集成成本。这种设计使Fugu能够无缝嵌入到已适配OpenAI API的各类工具链中。

• 动态角色分配： 系统基于TRINITY进化型协调器，自主学习为不同模型分配思考者、执行者与验证者角色。思考者负责深度推理与策略规划，执行者专注于具体任务执行，验证者则对输出进行质量检查。与传统固定流水线不同，这种分配是动态的，系统会根据任务类型和模型实时表现调整角色分工，避免效率瓶颈。

• 递归自我调用： Fugu支持调用自身实例作为协调器，处理需要多轮深度协作的复杂任务。例如，在完成一份综合性研究报告时，Fugu可以递归调用自身来分别处理文献综述、数据分析、结论生成等子任务，每个子任务内部再调用专家模型进行协作。这种层次化架构使系统能够处理传统单次调用无法解决的复杂问题。

• 灵活模型池管控： 用户可在控制台自主选择纳入或排除特定供应商模型，满足数据隐私与合规要求。对于金融、医疗等受监管行业，这一功能尤为重要——企业可以将敏感数据限制在本地或合规供应商的模型内处理，同时利用其他模型处理非敏感任务，实现安全与性能的平衡。

• 双版本覆盖场景： Fugu标准版平衡性能与延迟，适用于日常编码、对话等低延迟场景；Fugu Ultra协调更深专家池，通过引入更多专家模型和更复杂的协作策略，最大化高难度任务的答案质量。Ultra版本在MATH、GPQA等需要深度推理的基准上表现尤为突出，但推理延迟相应增加。

• 弹性抗风险架构： 底层模型池可替换，单一模型不可用时自动路由绕过，避免服务中断与出口管制风险。这种架构设计使Fugu具备天然的容错能力——即使某个供应商的模型因政策、服务中断或性能波动而不可用，系统仍能通过路由策略维持正常服务，保证业务连续性。

3. 如何使用

1. 环境要求与前置条件： 使用Sakana Fugu无需本地部署，系统以API形式提供服务。用户需要拥有有效的Sakana AI API密钥，并确保网络环境能够访问Sakana AI的服务端点。目前Fugu支持所有兼容OpenAI API标准的客户端和框架，无需额外安装依赖。

2. API接入配置： 在现有工作流中，将API端点从OpenAI的`（链接待官方发布后更新） Fugu的端点地址。同时将API密钥替换为Sakana AI提供的密钥。这一步骤仅需修改配置文件的几行参数，无需重写任何业务逻辑代码。

3. 版本选择与参数设置： 根据任务复杂度选择版本。日常编码、对话等低延迟场景使用Fugu标准版；高难度科研、复杂数学推理等场景选择Fugu Ultra。在API请求中通过model参数指定版本，例如model=fugu-standard或model=fugu-ultra。此外，可以通过max_tokens、temperature等标准参数控制生成行为。

4. 发送请求与处理响应： 像调用普通LLM一样发送自然语言请求。Fugu内部自动完成模型选择、任务委派、验证与答案合成，用户收到的响应格式与OpenAI API完全一致，包含choices、usage等标准字段。这意味着现有代码无需任何修改即可无缝迁移。

5. 模型池配置（可选）： 在Sakana AI控制台中，用户可以自定义模型池。支持按供应商、模型名称或能力类型筛选，将特定模型纳入或排除出协作池。例如，可以排除某个数据隐私政策不明确的供应商，或只保留在数学推理方面表现优异的模型。配置完成后，Fugu会自动在选定的模型池内进行调度。

6. 最佳实践与注意事项： 对于需要多轮深度协作的复杂任务，建议启用递归自我调用功能，在请求中设置recursive_depth参数（默认值为1，可适当增加）。对于成本敏感的场景，建议从Fugu标准版开始，逐步评估是否需要升级到Ultra版本。注意，递归深度过大会显著增加推理延迟，建议根据任务复杂度控制在3-5层以内。

4. 优缺点分析

5. 同类工具对比

选型建议： 对于追求极致性能与最低集成成本的企业用户，Sakana Fugu是最佳选择。其单一API即插即用的特性使其能够快速嵌入现有工作流，动态自主学习编排则省去了人工调优的麻烦。特别适合需要处理多样化任务、且对服务韧性有高要求的场景，如金融交易、安全分析等。然而，如果团队具备较强的AI工程化能力，且需要高度定制的Agent行为，LangChain Agents和CrewAI提供了更灵活的开源方案，适合需要深度控制Agent行为的研究团队。

对于成本敏感且不需要复杂推理的场景，OpenRouter Fusion是一个成熟的替代方案。它提供了丰富的模型选择与路由策略，但在集体智能涌现方面不如Fugu。需要注意的是，Fugu目前仅提供闭源API服务，对于需要本地部署或完全控制底层架构的企业，开源方案更为合适。

6. 编辑点评

Sakana Fugu代表了多智能体系统从工程化到产品化的重要跨越。其最显著的技术创新在于将多模型协作从硬编码流水线提升为自主学习、动态演化的系统，这一思路在学术论文《TRINITY》与《Conductor》中已有理论验证，而Fugu是首个将这一理论产品化并推向市场的系统。模型即编排器的架构设计尤为精妙——通过轻量级头部从隐藏状态预测调用策略，以极低的额外计算成本实现了高效的集体智能涌现，这在技术层面是相当优雅的解决方案。

从实用价值来看，Fugu解决了企业级AI应用中的核心痛点：单一供应商锁定风险。在出口管制日益收紧的背景下，能够自动路由绕过不可用供应商模型的能力具有重要的战略意义。同时，其成本优势也不容忽视——Fugu Ultra以Opus 4.8三分之一的价格实现同等性能，这为预算有限的企业打开了使用前沿AI能力的大门。

适用人群方面，Fugu最适合两类用户：一是追求极致性能但缺乏AI工程化能力的企业开发者，他们可以通过单一API快速接入；二是对供应商依赖性敏感、需要高可用性保障的行业用户，如金融、安全、政府机构等。对于研究型用户，Fugu的递归调用与动态角色分配机制提供了研究集体智能涌现的实验平台。

未来发展潜力巨大。随着Sakana AI对TRINITY与Conductor算法的持续优化，以及模型池的不断扩展，Fugu在推理能力、响应速度与成本控制方面仍有显著提升空间。特别是递归自我调用机制的深化，可能催生出能够自主规划、执行、验证复杂项目的多智能体系统。

7. 应用场景

• 软件工程： 接入Codex等工具进行实时代码生成、代码审查与复杂算法调试。Fugu的动态角色分配机制使系统能够自动为代码生成任务分配思考者（设计架构）、执行者（编写代码）、验证者（检查Bug），显著提升代码质量与开发效率。

• 科研竞赛： 用于Kaggle竞赛、学术论文复现及高难度数学与科学推理。Fugu Ultra版本在MATH、GPQA等基准上的优异表现使其成为科研人员的强大助手，递归调用能力使其能够处理需要多轮推理的复杂问题。

• 安全分析： 在CTI-REALM等安全基准表现优异，适用于威胁分析与漏洞研究。Fugu的弹性抗风险架构使其能够在安全敏感场景中稳定运行，即使部分模型不可用也能保证分析任务的连续性。

• 知识工作： 执行文献综述、专利调查、长上下文推理与多语言深度文档分析。Fugu的多模型协作能力使其能够同时调用不同专业领域的模型，从多个角度分析复杂文档，提升分析深度与广度。

• 金融交易： 在50周回测中实现+19.43%平均回报，优于其他前沿模型。Fugu能够同时调用多个金融分析模型，通过集体决策降低单一模型的偏差，提升交易策略的稳健性。

8. 常见问题FAQ

Q：Sakana Fugu与直接调用多个API有什么区别？
A：直接调用多个API需要开发者自行设计路由策略、处理模型选择、任务委派与结果验证，这通常需要大量的工程工作。Fugu将这些过程自动化，通过单一API完成所有协作调度，且基于TRINITY进化算法动态优化协作策略，通常能获得比手动配置更好的性能。

Q：Fugu Ultra与标准版的核心差异是什么？
A：Fugu Ultra协调更深专家池，通常包含更多的高性能模型和更复杂的协作策略。在MATH、GPQA等需要深度推理的基准上，Ultra版本的表现显著优于标准版。代价是更高的推理延迟和成本。标准版更适合日常编码、对话等低延迟场景。

Q：Fugu如何处理模型不可用的情况？
A：Fugu的底层模型池具有弹性替换能力。当检测到某个供应商的模型不可用时（如服务中断、API限制等），系统会自动将请求路由到其他可用模型，确保服务不中断。这一过程对用户完全透明，无需任何手动干预。

Q：使用Fugu是否需要担心数据隐私？
A：Fugu支持灵活模型池管控，用户可以在控制台自主选择纳入或排除特定供应商模型。对于敏感数据，可以将处理限制在数据隐私政策合规的模型内。此外，Sakana AI提供数据加密传输与处理，但具体的数据存储策略需参考Sakana AI的隐私政策。

Q：Fugu的定价模式是怎样的？
A：Fugu采用按Token计费的定价模式，与OpenAI API类似。Fugu标准版和Ultra版有不同的价格表。根据官方公布的数据，Fugu Ultra的输入价格约为Opus 4.8的三分之一，输出价格不到一半。具体价格请参考Sakana AI官网的最新定价页面。

Q：Fugu支持哪些底层模型？
A：Fugu支持多种主流模型，包括但不限于OpenAI的GPT系列、Anthropic的Claude系列、Google的Gemini系列以及开源模型如LLaMA、Mistral等。具体的模型池列表会根据Sakana AI的协议与服务状态动态更新，用户可以在控制台查看当前可用的模型列表。

9. 项目地址

• 项目官网：https://sakana.ai/fugu/
• Sakana AI官方博客：https://sakana.ai/blog/