多 Agent 等于高智能？Google 与 MIT 的 260 组实验推翻这条公式

一个 Agent 解决失败，产品团队加三个 Agent。

三个 Agent 产生分歧，产品团队增加辩论、评审与中控。

系统拥有更多角色、更多消息和更长调用链。账单增长，成功率却缺少保障。

Google Research、Google DeepMind 与 MIT 的论文《Towards a Science of Scaling Agent Systems》研究了这个问题。论文 v3 共 44 页，包含 260 个受控配置、6 个 Agent 基准、5 类系统架构和 3 个模型家族。

实验给出一个刺眼的总数：多智能体架构与单智能体基线的平均收益差为 -0.3%。

这个平均数具有误导性。多智能体系统的收益区间是 +80.8% 到 -70.0%。同一种技术产生两种结局。决定因素来自任务结构与架构匹配。

五类 Agent 架构与代价

一场控制变量实验

研究团队选择五类架构。

单智能体系统拥有一个推理中心和一条记忆流。独立式架构包含多个隔离执行的 Agent，系统末端汇总答案。中心式架构设置一个 Orchestrator，任务分派与结果验收归属中控。去中心式架构包含 Agent 间消息。混合式架构结合中控与同伴通信。

六个基准覆盖六类工作：BrowseComp-Plus 代表网页检索，Finance Agent 代表金融分析，PlanCraft 代表顺序规划，Workbench 代表办公工具调用，SWE-bench Verified 代表软件工程，Terminal-Bench 代表终端任务。

模型集合来自 OpenAI、Google 与 Anthropic。具体模型包含 GPT-5 系列、Gemini 2.x 系列和 Claude Sonnet 3.7 至 4.5。

控制条件构成这项研究的价值。各架构使用相同任务提示、工具权限和总推理预算。单 Agent 获得更多连续推理轮次，多 Agent 分享同一预算。平均预算为每次试验 4800 个推理 Token。

论文研究的是“同一笔预算交给一种组织结构”的结果，而非“更多预算购买更多模型”的结果。

结果一：任务可分解性决定上限

Finance Agent 的任务包含监管新闻、SEC 文件、经营影响和财务指标。各部分具有独立证据源。中心式架构的成功率是 0.631，单 Agent 成功率是 0.349，增幅达到 80.8%。去中心式与混合式架构取得 74.5% 和 73.1% 的增幅。

PlanCraft 的任务结构相反。一个典型任务包含配方查询、材料移动和合成操作。状态具有顺序依赖。上一步结果决定下一步动作。

多 Agent 分工制造了人工边界：一个角色查询配方，一个角色检查库存，一个角色执行合成。消息交接切断完整状态。独立式架构的性能降幅达到 70.0%。其余多智能体架构的降幅落在 39% 至 50.3% 区间。

Finance Agent 与 PlanCraft 给出同一条工程规则：任务宽度支持协作，任务链条排斥交接。

信息搜集、证据核验和多方案搜索拥有天然分支。状态机执行、连续调试和约束规划依赖统一记忆。Agent 数量属于次要变量。

任务结构决定多 Agent 收益

结果二：45% 基线是一条警戒线

论文提出“基线悖论”。单 Agent 成功率代表剩余改进空间。基线升高，协作收益缩小，协调成本保持存在。

回归模型给出的经验分界估计值是 45%。单 Agent 基线超过该水平，多 Agent 数量与性能呈负向关系。交互项系数为 -0.236，聚类稳健检验的 p 值为 0.004。多重比较校正保留了这项发现。

SWE-bench Verified 提供一个样本。单 Agent 平均成绩达到 0.522。混合式下降 2.1%，中心式下降 3.1%，去中心式下降 5.4%，独立式下降 14.9%。

“45%”属于经验阈值，缺少普适常数地位。它来自六个基准与当前模型集合。这个数字适合作为实验门槛：单 Agent 基线超过 45%，多 Agent 方案的立项条件是额外证据。

论文的稳健性分析给这条结论最高证据等级。工具数量与协调开销的若干关系属于方向性模式；45% 附近的能力饱和经受住更严格的统计检验。

结果三：通信成本呈幂律增长

Agent 团队的成本增长曲线呈幂律。

研究团队拟合出交互轮数公式：

T = 2.72 × (n + 0.5)^1.724

单 Agent 平均轮数为 7.2。独立式架构为 11.4 轮，去中心式为 26.1 轮，中心式为 27.7 轮，混合式为 44.3 轮。

混合式架构的协调开销达到单 Agent 基线的 515%。其 Token 效率降至每千 Token 13.6 次成功。单 Agent 的对应数字为 67.7。差距接近五倍。

消息数量与信息量属于两项指标。论文发现消息密度与成功率的关系存在平台期。中心式与去中心式架构接近每轮 0.4 条消息，收益达到饱和。混合式架构增加消息，内容重叠与协议冲突增加。

固定预算加剧了问题。每个 Agent 分到的推理空间缩小。任务描述、状态摘要和同伴结论占用上下文。系统用思考预算支付组织税。

性能、效率与错误放大

结果四：验证中枢控制错误传播

独立式架构缺少同伴通信，协调成本处于最低水平。它的错误放大倍数达到 17.2 倍。

多个 Agent 重复同一错误的风险存在。末端汇总缺少共同幻觉识别能力。去中心式架构的错误放大倍数为 7.8，混合式为 5.1，中心式为 4.4，单 Agent 基线为 1.0。

中心式架构的优势来自验证瓶颈。Worker 输出经过 Orchestrator 的一致性检查。论文的错误分类显示，中心式架构对逻辑矛盾、数值漂移和上下文遗漏拥有较强抑制效果。

这项结果带有一个限定：完整回归模型缺少错误放大指标的统计显著性。效率与开销拥有更强解释力。17.2 倍适合描述执行轨迹中的传播现象，缺少单独因果结论的资格。

安全含义清楚。高风险系统验收节点的权限集包含证据访问权、冲突裁决权和结果否决权。多个独立答案加一个拼接器，缺少可靠验证结构。

大模型老板加小模型员工？证据有限

成本优化常见一种设计：强模型担任 Orchestrator，小模型承担检索与执行。

论文测试了 13 个异构配置。BrowseComp-Plus 的中心式混合团队比强模型同构团队低 12.6 个百分点。去中心式配置获得 2.0 个百分点的小幅收益，收益主要来自团队中的强模型。

这组实验属于初步研究。样本覆盖 13 个配置和一个主要基准。异构团队必然失败的证据缺失。领域微调模型、角色专用模型与新型路由器不属实验范围。

可靠结论只有一条：模型价差与团队性价比缺少确定映射关系。廉价 Worker 的错误进入中控上下文，信息污染成本存在超过调用成本节省的风险。

87% 的选型准确率意味着什么

回归模型包含模型能力、Agent 数量、工具数量、单 Agent 基线、协调效率、消息密度、冗余率和错误放大等变量。

传统 Intelligence Index 版本的交叉验证 R² 为 0.373。Agent 基准成绩构成的 ACI 版本拥有 0.413 的 R²。模型对留出配置的最佳架构选择准确率达到 87%。随机选择基线为 20%，能力指标模型为 54%。

87% 指向“同类任务里的架构排序”。“陌生行业的成功率预测”属于另一命题。论文的跨数据集验证显示，绝对成功率预测存在困难。BrowseComp-Plus 的新模型测试提供单一基准内的迁移证据。

这套公式更像选型筛网。明显错误架构的排除是它的用途。业务样本测试具有独立价值。

一份工程决策表

决策表包含四个检查项。

第一项是单 Agent 基线。测试集覆盖真实工具、失败恢复和长链状态。基线达到 45% 附近，多 Agent 方案适用更高立项门槛。

第二项是任务依赖图。平行证据分支适合 Worker 并发与中控汇总。强顺序依赖适合单一状态拥有者。

第三项是工具密度。工具数量增加了路由、权限、参数与状态同步成本。论文中的工具范围为 2 至 16 个。小团队与窄通信面适配工具密集任务。

第四项是验收机制。高价值输出的门禁包括证据引用、结构化字段、规则校验器、测试执行器或人工审批。Orchestrator 的合适角色是验收者，转发者角色价值有限。

一个保守起点具有三层结构：单 Agent 负责主链，专用 Worker 负责天然分支，验证节点负责门禁。每个新增 Agent 对应三个问题：它提供什么独立信息？它消除什么错误？它消耗多少预算？

论文的边界

这项研究仍有七类限制。

团队规模实验覆盖 1、3、5、7、9 个 Agent，超大群体缺少实证。异构团队研究样本有限。各架构沿用统一提示词，专属 Prompt 优化带来结果差异风险。六个基准属于文本环境。SWE-bench Verified 与 Terminal-Bench 各使用 20 个实例，单元比较的置信区间较宽。经济分析受模型价格影响。回归模型的数据集簇数量是 6，统计功效受限。

这些限制削弱“普遍定律”的说法。核心警告保有价值：多 Agent 是一种组织结构，与性能按钮属于两类事物。

单 Agent 保留完整上下文。多 Agent 购买探索宽度，代价包括通信、同步、错误传播和 Token 分割成本。

工程问题因此发生变化。

“需要几个 Agent”缺少首要地位。

首要问题是：任务拥有多少独立分支，哪一个节点掌握完整状态，哪一种机制负责验收。

答案决定系统架构、账单与可靠性。