多智能体并非越多越好：谷歌与MIT研究给出答案

最近，谷歌研究院、Google DeepMind 与麻省理工学院联合发布了一项研究，对“智能体越多效果越好”的观念提出质疑。团队通过 180 个对照实验评估多智能体在不同任务中的表现，结果波动很大：有的任务最高提升 81%，也有任务下滑到 70%。

研究指出，任务类型是关键因素。在可并行的任务中，比如金融分析，采用集中式协调的多智能体能显著提升效率。各个智能体分别分析销售趋势、成本结构和市场数据，再把结果汇总，最终带来接近 81% 的性能提升。

但在必须按顺序推进的任务里，如 Minecraft 的规划，多智能体反而会让表现下降 39%～70%。原因在于每一步制作都会改变库存并影响下一步，强烈的顺序依赖让信息在智能体之间传递时更容易丢失或被割裂。

研究还总结了三点主要影响因素：一是任务用到的工具越多（如联网搜索、编码等），越容易被多智能体的协同成本拖慢；二是当单个智能体成功率高于 45% 时，再增加智能体往往收益递减甚至为负，协调成本会吃掉增益；三是错误在多智能体环境中累积更快，缺少信息共享时，错误扩散速度比单智能体环境快 17 倍。

划重点:

🌟 并行任务更受益，但在顺序任务中多智能体会明显降效。

🤖 单个智能体成功率超过 45% 时，上多智能体未必划算。

🔧 工具越多，协同成本越高，性能更易受影响。