构建更强的大语言模型多智能体系统时，一个普遍做法是增加智能体数量，但最新研究揭示了其瓶颈所在。单纯的堆叠会因信息冗余导致收益迅速饱和。该研究指出，真正的突破口在于引入多样性，它能用更少的调用次数实现更优的性能，为提升AI推理能力提供了新视角。
智能速览
单纯增加同质Agent数量，性能收益会迅速饱和。
引入多样性是突破性能瓶颈的关键，效率远超同质扩展。
模型多样性与人格多样性均能独立提升系统性能。
研究通过信息论框架，将瓶颈归因于信息冗余。
提升非冗余信息量，比单纯增加调用次数更有效。
精华内容
为何增加智能体数量不再带来提升？关键不在于规模，而在于信息的有效性。下面深入探讨信息冗余如何构成瓶颈，以及多样性如何化解这一难题。
同质扩展的失效
实验直接检验了增加同质智能体数量的效果。在GSM8K、ARC等七个基准任务上，当智能体数量从1个增加到2或4个时，系统性能通常有明显提升。然而，当数量继续增加，准确率迅速进入平台期，边际效益趋近于零，部分配置甚至出现性能回落。
这表明，在所有智能体都共享相同模型和提示的同质配置下，单纯增加调用次数并不能持续注入新的有效信息，导致扩展效益很快枯竭。
多样性的威力
与同质扩展形成鲜明对比的是，引入多样性的系统表现出色。实验比较了由不同基座模型或不同人格提示组成的异质系统。在匹配计算预算的前提下，异质系统的性能整体更高，并且在更大的规模上仍能保持增益。
研究发现，模型多样性和人格多样性各自都具有独立贡献，而二者结合时效果最为显著。在多个任务上，仅使用2个完全异质的智能体，就可以达到甚至超过16个同质智能体的平均性能，效率优势巨大。
信息冗余是瓶颈
这些实验结果指向一个清晰的结论：多智能体系统的扩展瓶颈并非智能体数量不足，而是其输出之间的高度相关性，即信息冗余。在同质配置下，多个智能体往往沿着相似的推理路径生成答案，新增调用带来的大多是重复信息。
多样性的核心价值在于引入互补视角，降低输出冗余，使系统能在相同甚至更小的计算预算下获得更多有效证据。真正稀缺的资源不是调用次数，而是非冗余的信息来源。
信息论的解释
为从理论上解释这一现象，研究者引入了信息论分析框架。他们认为，系统得到正确答案的成功率，取决于系统能提供多少关于答案的“有效信息”。
性能的关键不在于智能体的绝对数量，而在于系统中“有效信息通道”的数量——也就是多样化所带来的非冗余信息规模。当有效信息通道增长受限时，新增调用带来的有效信息增量会快速衰减，这完美解释了实践中常见的边际效益递减现象。
这项研究为大语言模型多智能体系统的优化提供了明确方向：与其盲目扩大规模，不如精心设计多样性。未来的关键在于如何量化并引入与任务相关的非冗余信息。这是否意味着AI系统的“聪明”程度，将取决于其内部视角的丰富程度？
