DeepMind与谷歌Research最新研究通过大量实验，提出了预测大语言模型智能体系统性能的模型，核心在于判断何时采用多智能体协作，以及如何根据任务特性和工具复杂度选择最优架构，为开发者提供了科学的决策依据。
智能速览
研究建立模型以87%准确率预测最佳智能体架构。
单智能体成功率超45%时，多智能体协作收益递减。
工具过多会导致协调成本飙升，超过150%将吞噬收益。
并行任务适合中心化架构，动态任务适合去中心化架构。
严格顺序依赖的规划任务应避免使用多智能体系统。
精华内容
想要构建高效的智能体系统，盲目堆砌智能体并非良策。通过实证研究，可以科学地决定是单干还是协作。
能力饱和临界点
研究表明，单智能体系统在特定任务上存在一个“能力饱和”的临界点。当单智能体的成功率低于45%时，引入多智能体协作能显著提升表现。然而，一旦突破这个阈值，继续增加协作智能体不仅收益递减，甚至可能因协调成本导致整体性能下降。这意味着，如果单一智能体已经能胜任大半工作，强行引入团队协作反而得不偿失。
警惕协调开销陷阱
工具数量是决定多智能体系统成本的关键因素。任务涉及的工具越多，多智能体系统面临的效率惩罚就越严重。数据显示，协调开销可能高达单智能体系统的数倍。如果这种开销超过150%，多智能体系统带来的所有潜在性能提升都会被成本完全吞噬。因此，面对工具繁杂的任务，必须严格计算投入产出比。
架构选择的依据
针对不同任务结构，架构选择需因时而异。对于像金融分析这类可并行、结构化的任务，中心化架构效果最佳，中央协调器能有效控制错误传播。而在动态网页导航等需要大量探索的场景中，去中心化架构凭借并行效率和冗余度更具优势。相反，对于规划类等具有严格顺序依赖的任务，由于协调会分散推理能力，应优先考虑单智能体系统。
这项研究为智能体系统的设计提供了量化的决策框架，告别了“直觉式”开发。未来的AI系统构建将更依赖于科学的预测模型，以实现性能与成本的最佳平衡。你会如何重新设计现有的智能体架构？
