别再盲目堆 Multi-Agent 了！Google 和 MIT 用 260 组极限对照实验，揭穿了多Agent协作的底层真相。 最近圈子里有个流行风气：只要单个 Agent 搞不定，就无脑上 Mul
原帖发布于
别再盲目堆 Multi-Agent 了！Google 和 MIT 用 260 组极限对照实验，揭穿了多Agent协作的底层真相。
最近圈子里有个流行风气：只要单个 Agent 搞不定，就无脑上 Multi-Agent：拉三五个 Agent 开会、辩论、互相 Review，仿佛 Agent 数量一多，系统就会凭空产生“集体智慧”。
但现实往往是：
Token 烧了 5 倍，延迟拉满，最后出来的结果比单 Agent 还要拉胯。
Google DeepMind、Google Research 联手 MIT 刚发的这篇 44 页重磅论文《Towards a Science of Scaling Agent Systems》，做了一件前人从没做过的事：
在严格控制算力、Token 总预算和 Prompt 变量的前提下，跨 6 大 Benchmark、5 种主流架构、3 大前沿模型家族（OpenAI / Google / Anthropic），整整跑了 260 组对照实验！
用数学和数据，第一次给 Agent 系统的扩展立下了「科学法则」。
读完整篇论文，信息量大到头皮发麻，这几个反直觉的结论，每一个都在狠抽所谓“最佳实践”的脸：
1. 残酷的平均收益：-0.3%！
大家以为加了 Multi-Agent 就能全方位吊打单 Agent？
实验结果的大盘数据让人大跌眼镜：
跨所有架构和任务，多智能体相比单智能体（SAS）的平均提升竟然是 -0.3%！
而且极化到了恐怖的程度：最高能暴涨 +80.8%，最低能暴跌 -70.0%！
这意味着：
在没搞清楚任务性质之前瞎上多智能体，不仅不是优化，简直是在蓄意破坏。
2. 最扎心的「45% 能力饱和死线」（Baseline Paradox）
这是论文统计学上最硬核的发现（p = 0.004）：
临界值就在单 Agent 基线成功率达到 ~45% 的那一刻！
• 当单个 Agent 表现很差（<45%）时，多 Agent 互相补位确实能抢救一下；
• 但一旦单 Agent 自身实力过硬、成功率跨过 45%，Multi-Agent 就会迅速进入收益递减甚至负收益区！
在代码评测 SWE-bench Verified 上，强模型的单 Agent 已经能拿到 45%+，结果上了 MAS 之后全线倒退（下降 2% ~ 15%）。
为什么？因为底座模型越聪明，多智能体之间啰里八嗦的无效沟通、信息压缩损失和协调冲突，就越是纯粹的累赘。
3. “开会甩锅”现场：1 个人 3 步做完的事，3 个人直接干废
论文扒出执行日志（Trace）做机制分析时，极其生动地展现了现场：
• 在强顺序推理任务上（比如 Minecraft 游戏规划 PlanCraft）：
单 Agent 路径极简：查配方 -> 拿材料 -> 合成，3 步搞定；
中心化 Multi-Agent 却硬生生把任务拆解成了三个草台班子：Agent 1 负责查配方、Agent 2 负责看背包、Agent 3 负责合成。本来看一眼背包就能完成的事，它们建群发了一堆同步消息，Token 预算在毫无意义的握手和重复汇报中被迅速吃光，性能直接暴跌 70%！
• 但在天然可并行的任务上（比如金融分析 Finance-Agent）：
一个人看财报、一个人搜行业监管新闻、一个人算财务指标，再由中控 Orchestrator 汇总。这种自然解耦的任务，Multi-Agent 实现了惊人的 +80.8% 性能爆发！
决定成败的根本不是 Agent 有多能聊，而是你的任务结构到底能不能天然解耦！
4. 沟通开销的超线性爆炸：T = 2.72 × (n + 0.5)^{1.724}论文推导出了 Agent 交互轮数随人数增长的幂律公式。指数高达 1.724，呈现极陡峭的超线性增长！
• 当你堆到 3 个 Agent，去中心化讨论平均要跑 26.1 轮，混合层级架构要跑 44.3 轮，而单 Agent 只要 7.2 轮。
• 看一眼真实生产成本吧：
每 1,000 个 Token 产出的成功次数：
单 Agent 是 67.7；
去中心化掉到 23.9；
混合架构直接腰斩再腰斩，跌到了 13.6（效率缩水整整 5 倍！）。
在现实业务里，你的预算是有限的。Agent 之间疯狂聊天，实质上是在剥夺每个 Agent 独立深度思考的 Token 预算（Token Fragmentation）。
5. 错误放大效应：独立并行的错误会放大 17.2 倍！
没有校验中枢的多智能体，简直是灾难传播机。
论文追踪执行轨迹发现，在完全独立的并行架构中，由于缺乏验证机制，错误放大率（Error Amplification）高达 17.2 倍；
而去中心化多方辩论也有 7.8 倍；
唯一还能看的是中心化 Orchestrator 架构（4.4 倍），中控好歹扮演了“把关人”的角色。
但请注意，它依然比单 Agent（1.0 倍）放大了 4.4 倍的错误。
6. 扎心真相：别指望“大模型当老板，小模型当打工人”
很多团队为了省成本，设想得很美好：用 GPT-5 / Gemini 2.5 Pro / Claude 3.7+ 当 Orchestrator，配几个便宜的小模型（nano/mini/flash）干脏活累活。
论文专门针对 13 种异构（Heterogeneous）配置做了验证，结果无情打脸：
混合团队的表现，比纯大模型团队整整落后了 12.6 个百分点！
小模型产出的幻觉和低质信息，会像污水一样倒灌进大模型的上下文里，最终把整个系统的判断力拉下水。
💡 那么，这篇论文给我们留下了什么工程行动指南？
论文最终给出了一个在测试集上预测准确率达 87% 的量化决策框架。如果你正在架构一个 Agent 系统，请把这张清醒的思维导图焊在脑子里：
论文最终给出了一个在测试集上预测准确率达 87% 的量化决策框架。 如果你正在架构一个 Agent 系统，请把这张清醒的思维导图焊在脑子里：
1. 先做单 Agent 基线（SAS）：
如果单 Agent 准确率已经能上 45%，立刻停手！不要加 Multi-Agent，先把精力花在强化单 Agent 的 Tool 质量、Memory 检索和 Prompt 工程上，性价比远高于搭复杂的 Agent 团队。
2. 看任务是“序列约束”还是“平行分支”：
• 强序列依赖（如代码多步 Debug、复杂状态机流转、游戏规划）：坚决用单 Agent。强行拆分只会导致灾难性的上下文碎片化。
• 宽广搜索与信息合成（如深度研报调研、多源跨库比对）：用 Centralized（中心化中控）架构，让 Worker 并行检索，中控做最终交叉验证。
3. 工具越多的任务，越要谨慎上多 Agent：
工具调用本身就是极高熵的交互，再加上多智能体之间的信息噪音，系统崩溃率会成倍上升。
一句话总结：
“堆 Agent 并不等于堆智慧，很多时候你只是在花 5 倍的预算，让几个大模型在生产环境里合起伙来开虚假周报会。”
停止盲目的多智能体崇拜，让系统回归到任务结构与数学法则上来。
最近圈子里有个流行风气：只要单个 Agent 搞不定，就无脑上 Multi-Agent：拉三五个 Agent 开会、辩论、互相 Review，仿佛 Agent 数量一多，系统就会凭空产生“集体智慧”。
但现实往往是：
Token 烧了 5 倍，延迟拉满，最后出来的结果比单 Agent 还要拉胯。
Google DeepMind、Google Research 联手 MIT 刚发的这篇 44 页重磅论文《Towards a Science of Scaling Agent Systems》，做了一件前人从没做过的事：
在严格控制算力、Token 总预算和 Prompt 变量的前提下，跨 6 大 Benchmark、5 种主流架构、3 大前沿模型家族（OpenAI / Google / Anthropic），整整跑了 260 组对照实验！
用数学和数据，第一次给 Agent 系统的扩展立下了「科学法则」。
读完整篇论文，信息量大到头皮发麻，这几个反直觉的结论，每一个都在狠抽所谓“最佳实践”的脸：
1. 残酷的平均收益：-0.3%！
大家以为加了 Multi-Agent 就能全方位吊打单 Agent？
实验结果的大盘数据让人大跌眼镜：
跨所有架构和任务，多智能体相比单智能体（SAS）的平均提升竟然是 -0.3%！
而且极化到了恐怖的程度：最高能暴涨 +80.8%，最低能暴跌 -70.0%！
这意味着：
在没搞清楚任务性质之前瞎上多智能体，不仅不是优化，简直是在蓄意破坏。
2. 最扎心的「45% 能力饱和死线」（Baseline Paradox）
这是论文统计学上最硬核的发现（p = 0.004）：
临界值就在单 Agent 基线成功率达到 ~45% 的那一刻！
• 当单个 Agent 表现很差（<45%）时，多 Agent 互相补位确实能抢救一下；
• 但一旦单 Agent 自身实力过硬、成功率跨过 45%，Multi-Agent 就会迅速进入收益递减甚至负收益区！
在代码评测 SWE-bench Verified 上，强模型的单 Agent 已经能拿到 45%+，结果上了 MAS 之后全线倒退（下降 2% ~ 15%）。
为什么？因为底座模型越聪明，多智能体之间啰里八嗦的无效沟通、信息压缩损失和协调冲突，就越是纯粹的累赘。
3. “开会甩锅”现场：1 个人 3 步做完的事，3 个人直接干废
论文扒出执行日志（Trace）做机制分析时，极其生动地展现了现场：
• 在强顺序推理任务上（比如 Minecraft 游戏规划 PlanCraft）：
单 Agent 路径极简：查配方 -> 拿材料 -> 合成，3 步搞定；
中心化 Multi-Agent 却硬生生把任务拆解成了三个草台班子：Agent 1 负责查配方、Agent 2 负责看背包、Agent 3 负责合成。本来看一眼背包就能完成的事，它们建群发了一堆同步消息，Token 预算在毫无意义的握手和重复汇报中被迅速吃光，性能直接暴跌 70%！
• 但在天然可并行的任务上（比如金融分析 Finance-Agent）：
一个人看财报、一个人搜行业监管新闻、一个人算财务指标，再由中控 Orchestrator 汇总。这种自然解耦的任务，Multi-Agent 实现了惊人的 +80.8% 性能爆发！
决定成败的根本不是 Agent 有多能聊，而是你的任务结构到底能不能天然解耦！
4. 沟通开销的超线性爆炸：T = 2.72 × (n + 0.5)^{1.724}论文推导出了 Agent 交互轮数随人数增长的幂律公式。指数高达 1.724，呈现极陡峭的超线性增长！
• 当你堆到 3 个 Agent，去中心化讨论平均要跑 26.1 轮，混合层级架构要跑 44.3 轮，而单 Agent 只要 7.2 轮。
• 看一眼真实生产成本吧：
每 1,000 个 Token 产出的成功次数：
单 Agent 是 67.7；
去中心化掉到 23.9；
混合架构直接腰斩再腰斩，跌到了 13.6（效率缩水整整 5 倍！）。
在现实业务里，你的预算是有限的。Agent 之间疯狂聊天，实质上是在剥夺每个 Agent 独立深度思考的 Token 预算（Token Fragmentation）。
5. 错误放大效应：独立并行的错误会放大 17.2 倍！
没有校验中枢的多智能体，简直是灾难传播机。
论文追踪执行轨迹发现，在完全独立的并行架构中，由于缺乏验证机制，错误放大率（Error Amplification）高达 17.2 倍；
而去中心化多方辩论也有 7.8 倍；
唯一还能看的是中心化 Orchestrator 架构（4.4 倍），中控好歹扮演了“把关人”的角色。
但请注意，它依然比单 Agent（1.0 倍）放大了 4.4 倍的错误。
6. 扎心真相：别指望“大模型当老板，小模型当打工人”
很多团队为了省成本，设想得很美好：用 GPT-5 / Gemini 2.5 Pro / Claude 3.7+ 当 Orchestrator，配几个便宜的小模型（nano/mini/flash）干脏活累活。
论文专门针对 13 种异构（Heterogeneous）配置做了验证，结果无情打脸：
混合团队的表现，比纯大模型团队整整落后了 12.6 个百分点！
小模型产出的幻觉和低质信息，会像污水一样倒灌进大模型的上下文里，最终把整个系统的判断力拉下水。
💡 那么，这篇论文给我们留下了什么工程行动指南？
论文最终给出了一个在测试集上预测准确率达 87% 的量化决策框架。如果你正在架构一个 Agent 系统，请把这张清醒的思维导图焊在脑子里：
论文最终给出了一个在测试集上预测准确率达 87% 的量化决策框架。 如果你正在架构一个 Agent 系统，请把这张清醒的思维导图焊在脑子里：
1. 先做单 Agent 基线（SAS）：
如果单 Agent 准确率已经能上 45%，立刻停手！不要加 Multi-Agent，先把精力花在强化单 Agent 的 Tool 质量、Memory 检索和 Prompt 工程上，性价比远高于搭复杂的 Agent 团队。
2. 看任务是“序列约束”还是“平行分支”：
• 强序列依赖（如代码多步 Debug、复杂状态机流转、游戏规划）：坚决用单 Agent。强行拆分只会导致灾难性的上下文碎片化。
• 宽广搜索与信息合成（如深度研报调研、多源跨库比对）：用 Centralized（中心化中控）架构，让 Worker 并行检索，中控做最终交叉验证。
3. 工具越多的任务，越要谨慎上多 Agent：
工具调用本身就是极高熵的交互，再加上多智能体之间的信息噪音，系统崩溃率会成倍上升。
一句话总结：
“堆 Agent 并不等于堆智慧，很多时候你只是在花 5 倍的预算，让几个大模型在生产环境里合起伙来开虚假周报会。”
停止盲目的多智能体崇拜，让系统回归到任务结构与数学法则上来。