实验设计：控制一切能控制的
研究多 agent 最大的坑是混杂变量太多。A 论文说多 agent 比单 agent 好 20%，但它的多 agent 用了更好的 prompt、更多工具、更多推理步数——而这些跟"多 agent"这个架构选择本身没有关系。
这篇论文做了干净的设计：5 种架构统一用 3-agent 规模（单 agent 除外），统一工具集，统一 prompt 模板，统一最大 LLM 调用次数。
单 Agent：一条推理链，一个决策中心。Independent：n 个 agent 独立行动，多数投票，零通信。Centralized：orchestor 分配 + 汇总，单点验证。Decentralized：agent 间多轮 debate。Hybrid：orchestor 分解 + peer review，两级协调。
核心发现
一、协作不是免费的：+80% 到 -70%
跨所有配置，多 agent 较单 agent 的相对性能变化从 +80.8%（可分解金融推理）到 -70.0%（顺序规划）。一个统一的 scaling 模型达到 R2=0.373（cross-validated），加入 task-grounded 能力度量后提升到 R2=0.413。第一个跨任务、跨架构的定量模型。
二、能力饱和效应：强模型不需要协作
一个显著的模式：当单 agent baseline 已经很强时，多加 agent 几乎不带来提升，甚至下降。协作的边际收益递减——多 agent 真正的价值在弥补单 agent 的不足，而非锦上添花。
三、工具密集型任务的"协作税"
在工具调用密集的任务上，多 agent 普遍产生了协作开销（coordination overhead）——通信成本、分解不完美、汇总信息损失叠加，超过了多脑并行的收益。这与"工具调用是多 agent 强项"的流行直觉直接矛盾。
四、错误传播：没有验证 = 错误放大器
没有集中验证的架构（Independent、Decentralized）更容易出现错误级联：一个 agent 的错误通过消息扩散到所有 agent。Centralized 和 Hybrid 因为 orchestor 的单点把关，错误传播被截断。
五、架构选择可以预测——87% 准确率
论文训练了一个架构选择器，在留出任务上达到 87% 准确率（从 1×单 agent + 4×多 agent 中选最优）。关键特征不是"任务有多难"，而是任务的结构属性——可分解性、是否需顺序推理、工具调用密度。
五种架构定量对比
| 架构 | LLM调用 | 通信 | 并行度 | 适合场景 |
|---|---|---|---|---|
| Single-Agent | O(k) | 0 | 1 | 连贯推理、顺序规划 |
| Independent | O(nk) | 1（投票） | n | 高可分解、答案多元 |
| Centralized | O(dnk) | d·n | n | 复杂分解、需要把关 |
| Decentralized | O(rnk) | r·n | n | 辩论收敛、去中心场景 |
| Hybrid | O(rnk)+O(r)+O(p) | r·n+p·m | n | 多层级、全局+局部 |
对实践者的启示
这篇论文最务实的贡献是打破了一个迷思："多 agent 总是更好"是错的。几条可操作的 takeaways：
1. 先跑单 agent baseline。如果单 agent 已经很好了，多 agent 大概率没帮助，甚至有害。
2. 评估任务可分解性后再决定架构。连贯推理型任务，单 agent 就是最优解。
3. 工具密集型任务慎用多 agent。协作 overhead 叠加工具 token 开销，更慢更差。
4. 必须有验证机制。没有验证的 agent 系统就是错误放大器——要么 centralized orchestor，要么 peer review。
5. 架构选择可以自动化。87% 的预测准确率意味着不需要靠直觉拍脑袋。
局限
R2=0.37 说明大部分方差仍未解释。实验固定在 3-agent 规模——agent 数量本身的 scaling 规律（2、5、10、50 个 agent）仍然未知，而这才是生产级系统真正关心的维度。