Мультиагентной системе не нужны все агенты: важнее выбрать правильных

Полная рассылка задачи всем агентам выглядит безопасно: вдруг именно у одного из них есть нужный навык. Но вместе с числом участников растут стоимость токенов, задержка, дублирование ответов и вероятность того, что ошибка одного агента распространится дальше.

Авторы предлагают собирать коалицию под конкретную задачу. Система оценивает не только пользу нового агента, но и цену его активации, а затем решает, с кем ещё нужно установить связь. То есть оптимизируется не абстрактное количество агентов, а чистая ценность команды: результат минус стоимость участников и коммуникаций.

В этом помогают оценки Shapley: они приблизительно показывают, насколько конкретный агент способен увеличить общий результат. На синтетических экспериментах жадный маршрутизатор получил 99,5% от оптимальной полезности перебора, активируя в среднем 1,96 агента из 8. Для сравнения, режим полной рассылки достиг только 38,8%.

Практический вывод здесь довольно приземлённый: в мультиагентной системе сначала стоит оптимизировать маршрутизацию, а уже потом добавлять новых специалистов. Иногда качество растёт не от расширения команды, а от того, что лишним агентам вообще не дают слово.

Но это не готовая универсальная гарантия экономии. Основные результаты получены на синтетических данных; при сильном нарушении свойства субмодулярности или шумных оценках качества показатель снизился до 66%. Доказанные гарантии относятся лишь к специальным вариантам задачи, а основной маршрутизатор остаётся эвристикой. Авторы также предлагают отдельно проверить подход на реальных бенчмарках многоагентных LLM-систем — значит, вопрос о переносимости результатов пока открыт.

Если вы строите систему из нескольких агентов, что сейчас обходится дороже: подключить ещё одного специалиста или дать уже выбранным агентам слишком много коммуникаций? Источник: cs.AI updates on arXiv.org