一项针对180种AI智能体系统配置的大规模评估揭示，“智能体越多越好”并非普适真理。研究表明，多智能体系统的性能表现与任务性质密切相关。对于可分解的并行任务，集中式协调能大幅提升效率；然而，在需要严格顺序推理的任务中，增加智能体反而会降低性能。此外，系统架构对可靠性有直接影响，集中式协调能够有效控制错误传播，而独立的并行智能体则会显著放大初始错误。这项研究最终提出了一个可根据任务特性预测最优架构的模型，推动了智能体设计从经验猜测向科学原则的转变。
智能体带来的新挑战
AI智能体能够进行推理、规划和行动，正成为现实世界应用的主流。与传统的单次预测模型不同，智能体需要处理持续、多步骤的交互，其中一个微小的错误就可能在整个工作流程中层层传递并放大。这迫使我们必须超越传统的准确率指标，思考如何从根本上设计这些系统以实现最佳性能。
过去，从业者常常依赖经验法则，比如假设“智能体越多越好”，认为增加专门的智能体总能改善结果。
通过对180种智能体配置的大规模受控评估，研究得出了首个关于智能体系统规模化的定量原则，揭示了“更多智能体”的方法常常会遇到性能瓶颈，如果与任务特性不匹配，甚至可能导致性能下降。
如何评估智能体系统
为了理解智能体系统如何扩展，首先需要定义何为“智能体任务”。这类任务通常具备三个核心特性：
- 与外部环境进行持续的多步骤交互。
- 在信息不完全的情况下迭代式地收集信息。
- 根据环境反馈自适应地调整策略。
研究评估了五种经典的智能体架构：
- 单一智能体 (SAS): 一个智能体按顺序执行所有步骤。
- 独立式: 多个智能体并行处理子任务，互不通信，最后汇总结果。
- 集中式: 一个中央协调者将任务分配给工作智能体，并整合它们的输出。
- 去中心化: 智能体在对等网络中直接通信，共享信息以达成共识。
- 混合式: 结合了层级监督和对等协作，以平衡控制与灵活性。
关键发现：“更多智能体”的神话
研究结果表明，多智能体系统并非万能解药。它们的表现是提升还是下降，完全取决于具体的配置和任务类型。
匹配原则：并行任务中的优势
在可并行的任务上（例如财务分析，不同智能体可同时分析收入、成本和市场），集中式协调相比单一智能体，性能提升了 80.9%。将复杂问题分解为子任务的能力让智能体团队能更有效地工作。
顺序惩罚：串行任务中的劣势
与之相反，在需要严格顺序推理的任务上（如规划），所有测试的多智能体变体都导致性能下降了 39% 至 70%。在这些场景中，沟通开销割裂了推理过程。
此外，研究还发现了一个“工具-协调权衡”现象。当任务需要使用的工具越多时，协调多个智能体所付出的“成本”就会不成比例地增加。
架构即安全保障
系统架构与可靠性之间存在直接联系。研究测量了错误放大率——即一个智能体的错误传递到最终结果的速率。
- 独立多智能体系统（并行工作但不交流）将错误放大了 17.2倍。由于没有互相检查的机制，错误会不受控制地蔓延。
- 集中式系统（有协调者）则将错误放大控制在 4.4倍。
协调者有效地扮演了“验证瓶颈”的角色，在错误传播前将其捕获。
迈向科学的智能体设计
基于这些发现，研究人员开发了一个预测模型，它能利用任务的可测量属性（如工具数量和可分解性）来预测哪种架构表现最好。该模型在87%的未见任务配置中都能正确识别出最优的协调策略。
这意味着我们正从凭经验猜测，转向依据任务的顺序依赖性和工具密度等特性来做出有原则的工程决策。随着基础模型的不断进步，我们需要的不仅仅是数量更多的智能体，而是通过正确的架构设计，构建出更智能、更安全、更高效的系统。