Google最近一項研究《Towards a Science of Scaling Agent Systems》驗證了"智能體并非越多越好"。他們在GPT、Gemini和Claude上進行了180次實驗，發現當單個智能體的準確率超過45%時，增加更多智能體反而會損害整體性能。。

研究團隊測試了五種架構：單智能體系統、獨立多智能體（無通信）、集中式（通過協調者）、分散式（點對點）和混合式。他們在四個不同任務上進行對比：金融分析、網頁瀏覽、游戲規劃和工作流程執行，確保結果的普適性。

三個關鍵發現

45%陷阱：研究人員發現了一個明確的性能拐點。當單個智能體準確率低于45%時，增加智能體數量確實能提升效果；但一旦超過這個閾值，系統就會陷入協調困境，性能不升反降。這個閾值是通過分析單智能體基線性能與智能體數量交互效應得出的（β=-0.408, p<0.001）。

工具稅：對于需要頻繁使用外部工具的任務，協調開銷會不成比例地增加。每個API調用都成為潛在的故障點，系統復雜度呈指數級增長。研究顯示，在工具密集型環境中（16個工具），多智能體系統的效率下降2-6倍，從單智能體的0.466降至多智能體的0.074-0.234。

錯誤螺旋：獨立運行的智能體可能將錯誤放大17.2倍。一個智能體的錯誤判斷會像多米諾骨牌一樣影響整個系統。相比之下，集中式架構通過協調者驗證機制將錯誤放大控制在4.4倍。

架構選擇比數量更重要

實驗結果顯示，不同任務需要不同的架構策略。在金融分析任務中，集中式多智能體表現最佳，相比單智能體提升80.9%。但在需要順序推理的規劃任務中，所有多智能體變體都表現糟糕，性能下降39%-70%。

超線性擴展成本：研究發現，推理輪次隨智能體數量的增長遵循冪律T=2.72×(n+0.5)^1.724。這意味著在固定計算預算下，超過3-4個智能體后，每個智能體的推理能力會急劇下降。

錯誤分類學：論文識別了四類錯誤模式：邏輯矛盾、數值漂移、上下文遺漏和協調失敗。集中式架構在減少邏輯矛盾方面表現最佳（減少36.4%），而混合架構由于協議復雜性反而增加了數值漂移（26.4%）。

從煉金術到科學

研究團隊基于這些發現推導出一個預測公式，包含20個參數，能夠以87%的準確率預測最佳架構配置。該模型在交叉驗證中解釋了51.3%的性能差異，這意味著智能體設計正在從"煉金術"走向科學。

有開發者在實際項目中驗證了這一發現。有開發者表示，45%的門檻值解釋了他之前多智能體實驗失敗的原因："單個能力強的智能體可以直接部署到生產環境，而協調的智能體群每個API調用都是需要監控的潛在故障點，只會帶來調試噩夢"。

“少即是多”，在工程領域，這樣的經驗認識早已經有了，但將其以學術的形式量化出來還是值得一看的。

論文鏈接：https://arxiv.org/abs/2512.08296

本文轉載自??AI工程化??，作者：ully