2026-09-05
Google与MIT在260组受控实验里发现，单智能体基线约过45%后，多智能体协作多半零收益甚至掉分；金融可并行任务能涨八成，顺序规划任务最多掉七成。
「More agents is all you need」这类口号把多智能体协作写成了默认升级路径。真正落地时，提示词、工具、推理预算往往一起变，分不清涨分来自架构，还是来自多花了钱。Google Research、MIT 与 Google DeepMind 把这三样钉死，只改协调拓扑和基座能力，问一个更土的问题：什么时候该加智能体，什么时候加了只会添乱。
他们盯的是真正的 agentic 任务：多步和环境交互、部分可观测、要根据反馈改策略。HumanEval 那种一锤子代码生成不算。先前有工作在静态基准上把五智能体刷到 89%，换到要持续调试、翻仓库的场景，协调开销和错误传播会反过来主导。
实验模板很硬：同一套任务提示、同一套工具、同一套每系统推理 token 上限，只改协调结构和模型档位。五种拓扑构成结构消融：单智能体（SAS）；独立并行再合成（independent）；同伴辩论投票（decentralized）；编排器层级汇总（centralized）；编排器加同伴通信（hybrid）。模型覆盖三家，能力指数大约 42 到 71：GPT-5 nano/mini/完整版，Gemini 2.0 Flash、2.5 Flash/Pro，Claude Sonnet 3.7/4/4.5。六项基准覆盖网页浏览（BrowseComp-Plus）、金融分析、游戏规划（PlanCraft）、职场任务（WorkBench）、软件工程（SWE-bench Verified）和终端任务（Terminal-Bench）。一共 260 组配置，平均推理预算大约 4,800 token。
评测不只看最终对错。他们从轨迹里抽出协调效率、开销百分比、错误放大、消息密度、冗余，再加单智能体基线、工具数、智能体个数，拟合带预设交互项的线性模型。能力既用外部 intelligence index，也用任务内 Agentic Capability Index（ACI，即该模型在六项基准上的单智能体均值）。
六项基准上，多智能体相对单智能体的均值改进是 0.0%（95% CI −58.7% 到 77.2%，σ=37.5%）。涨跌完全看任务能不能拆。
Finance Agent 最吃并行：SAS 均值 0.349，centralized 到 0.631（+80.8%），decentralized +74.5%，hybrid +73.1%。轨迹很直白：单智能体顺序搜新闻、再翻 SEC 文件，广度不够；三人分头做监管、财报、运营影响，编排器再合成。PlanCraft 正好相反。做一面闪长岩墙，单智能体三步搜配方、摆格子、合成；多智能体硬拆成「查配方」「查背包」「执行」，平均发出大量协调消息，独立架构掉到 −70.0%（0.170 vs 0.568）。WorkBench 最多 +5.6%；BrowseComp-Plus 里 decentralized +9.2%，independent 却 −35%。SWE-bench Verified 上 SAS 已有 0.488，四种 MAS 全微降，hybrid −1.3% 到 independent −12.8%。Terminal-Bench 的 SAS 是 0.312，independent +6.0%，centralized 反而 −20.0%，两个工具撑不起重编排。
预测模型在 intelligence index 下交叉验证 R²=0.373，换成 ACI 到 0.413。域内留出配置上，它能选出最优架构的 87%（随机 20%，只看能力 54%）。能同时过 cluster-robust 和 Holm–Bonferroni 的，只有单智能体基线这一项（Probust=0.004，PHolm=0.018）。另拟合的决策规则给出大约 45% 的能力饱和阈值：基线再高，加智能体的期望增益就到零或变负。这条规则在 SWE-bench Verified 与 Terminal-Bench 的 16 组模型×基准上，符号预测对了 94%。错误放大按架构排序很稳：SAS 记为 1.0×，centralized 4.4×，hybrid 5.1×，decentralized 7.8×，independent 17.2×。实现开销相对 SAS：independent 58%、decentralized 263%、centralized 285%、hybrid 515%；hybrid 推理轮次是 SAS 的 6.2 倍（44.3 vs 7.2）。
留一数据集交叉验证 R²=−2.09。绝对成功率跨域不可外推，相对选架构在域内还站得住。
对要上生产的人，这条阈值比口号好用：单智能体已经过大约 45%，先别加编排器。金融研报、可并行信息源适合 centralized；工具极多、需要互相校验时 decentralized 相对抗揍；顺序约束强的规划、高基线的修 bug，单智能体更干净。论文自己把 45% 写成「实践选择规则」，不是普适缩放律。cluster 只有 6 个基准，工具数×效率这类交互在稳健标准误下掉出显著，只能当方向性观察。
和「对齐思考 token 后单智能体打过多跳问答」那类工作是同一方向的不同切片：这里有工具、有环境，结论更依赖可分解性。
作者列得很清楚。SWE-bench 与 Terminal-Bench 每格只有 20 题，bootstrap 区间大约 ±20 个百分点，单格对比没力，94% 是 16 格合计的符号命中。提示词没有按模型族单独调。异构混模型的 13 组试探里，centralized 比强模型同质队平均低 12.6 个百分点，过不了饱和阈值。通信全靠自然语言 token，延迟和费用随智能体数超线性涨，latent 通信会不会改写这条曲线，文中没有数据。G=6 时 cluster-robust 偏保守，若干 naive 显著项被降级成描述。没有具身、多用户、长时反馈。