跳到主要内容

Scaling Agent Systems - Google/MIT 多Agent扩展量化规律

Summary​

本文由 Google 和 MIT 联合发表，旨在推导 Agent 系统的量化扩展原则。研究通过 180 种配置的受控实验，发现简单增加 Agent 数量并不普遍提升推理能力，效果强烈依赖于任务领域和协调结构。论文提出了包含效率、开销、错误放大和冗余的经验协调指标，构建了交叉验证 R²=0.513 的预测模型。核心结论是应根据任务特性选择合适的协调结构和 Agent 数量，而非盲目扩展。

Key Concepts​

  • Multi Agent Systems - 多 Agent 协作系统
  • Scaling Laws - 扩展规律的量化研究
  • Agent Coordination - 协调结构（Independent / Centralized / Decentralized / Hybrid）
  • Error Amplification - 多 Agent 场景下的错误放大效应

Detailed Content​

实验设计​

研究覆盖 4 个基准任务（Finance-Agent / BrowseComp-Plus / PlanCraft / Workbench），5 种架构（Single-Agent + 4 种 Multi Agent Systems 架构），3 个 LLM 系列，共 180 种配置。

关键发现​

推翻了"更多 Agent = 更强能力"的常见假设。Scaling Laws 表明效果强烈依赖领域，盲目扩展可能引入 Error Amplification 和额外开销。

预测模型​

使用四项经验协调指标建立预测框架：

  • Efficiency（效率）
  • Overhead（开销）
  • Error Amplification（错误放大）
  • Redundancy（冗余）
  • LLM Agent Architecture
  • Benchmark Evaluation
  • Coordination Overhead
  • Claude Agent SDK