多Agent缩放定律：六条铁律推翻堆人策略

概述

2025年底至2026年初，Google Research联合MIT发表180组配置的系统性实验，揭示了多Agent系统的"能力饱和效应"——单Agent已能完成45%以上准确率的任务，继续堆Agent收益递减甚至为负。UIUC、Stanford、NVIDIA联合发表RecursiveMAS将Agent间通信从文本空间搬入潜空间，Token消耗直降75%。NeurIPS 2025 Spotlight论文证明多数投票已占据多Agent辩论绝大部分性能增益。六条来自实测的缩放定律，正在重写多Agent系统的设计直觉。

一、能力饱和效应：45%是分水岭

Google Research、DeepMind与MIT的论文《Towards a Science of Scaling Agent Systems》（arXiv 2512.08296）是迄今为止最大规模的多Agent缩放定律系统性实验。研究团队在4个基准（GSM8K、MATH、HumanEval、MMLU）、5种架构（Sampling、Debate、Multi-Agent Review、Tool-Use、Mixed）和3种模型规模上，测试了180种Agent配置组合。

核心发现：多Agent系统的性能遵循一条能力饱和曲线。当单个Agent的独立准确率已经超过约45%时，增加更多Agent带来的协调收益迅速衰减，最终可能为负。这不是某个特定任务的偶然现象，而是在所有四个基准上都观察到的稳健规律。

该论文引入的"缩放定律"预测模型如下：

$$\text{Performance}(n) = \alpha - \beta \cdot e^{-\gamma \cdot n}$$

其中 $n$ 为Agent数量，$\alpha$ 为理论上限，$\beta$ 和 $\gamma$ 是与任务类型和模型能力相关的参数。当单Agent能力 $c_0$ 已接近 $\alpha$ 时，$\beta$ 接近零，多Agent的边际贡献几乎消失。

实战含义：在评估是否需要多Agent架构之前，先用单Agent跑一轮基准。如果单Agent在目标任务上的pass@1已经超过45%，那么你的精力应该花在Prompt工程和工具增强上，而非堆Agent数量。

# 伪代码：判断是否值得引入多Agent
def should_use_multi_agent(single_agent_accuracy, task_type):
    if single_agent_accuracy > 0.65:
        return False  # 能力饱和区，堆Agent无意义
    elif single_agent_accuracy > 0.45:
        return "marginal"  # 边际收益区，谨慎评估
    else:
        return True  # 协调增益区，多Agent有价值

二、协调收益递减律：三个主导效应

同一篇Google论文归纳了多Agent系统的三个主导缩放效应，它们在不同任务类型上的表现截然不同：

在数学推理（GSM8K/MATH）上，重复采样+多数投票的简单架构，性能随样本数增加呈对数增长，但回报率在n=5-8后急剧下降。而在规划类任务（PlanCraft等）上，多Agent协调设计——无论是辩论还是互审——一致性地损害了性能。原因是规划任务需要严格的因果链，多个Agent的并行推理引入了冲突的中间步骤。

关键数据：在PlanCraft基准上，所有多Agent配置（包括2-Agent和5-Agent）的性能都低于单Agent基线。这是对"多Agent总是更好"这一直觉的最有力反驳。

三、多样性胜过数量律：信息论证明

SafeRL-Lab的论文《Understanding Agent Scaling in LLM-Based Multi-Agent Systems via Diversity》（arXiv 2602.03794）从信息论角度为上述现象提供了理论解释。

论文的核心贡献是一个信息论框架：多Agent系统的性能上限由Agent之间的互信息（Mutual Information）决定，而非Agent的绝对数量。当多个Agent基于相同的LLM和相似的Prompt生成回答时，它们的输出高度相关（高互信息），增加的"独立信息量"极少。

设 $I(A_1; A_2)$ 为两个Agent输出的互信息，则多Agent系统的有效信息增益为：

$$\Delta I_{\text{eff}} = H(A_n) - I(A_n; A_{1:n-1})$$

当所有Agent使用同一模型时，$I(A_n; A_{1:n-1}) \approx H(A_n)$，即$\Delta I_{\text{eff}} \approx 0$。

实验验证：该论文在GSM8K、MATH、ARC等基准上测试了同构Agent（相同模型+不同温度）vs 异构Agent（不同模型/不同Prompt策略），发现：

• 异构Agent在数量仅为3个时的性能，超过同构Agent 10个配置
• 引入不同规模的模型（如GPT-4o + Claude Haiku + Gemini Flash）的3-Agent组合，在MATH上的pass@5比10个同构GPT-4o高12%
• 关键维度：推理策略多样性 > 模型规模多样性 > Prompt多样性

实战方案：不要用10个相同的GPT-4o做采样投票，改用3个不同模型（GPT-4o + Claude + Gemini），用温度=0.7的多数投票。成本更低，效果更好。

四、潜空间通信律：Token不是唯一载体

2026年4月，UIUC、Stanford、NVIDIA、MIT联合发表RecursiveMAS（arXiv 2604.25917），提出了一个根本性的范式转变：Agent之间的通信不必通过文本进行，可以直接在embedding/latent space中交换信息。

传统多Agent系统的通信瓶颈如下：

Agent A (推理) → 生成1000 token文本 → 序列化 → 传输
Agent B (接收) → 解析1000 token文本 → 反序列化 → 理解 → 推理

每轮通信至少消耗2000+ token（发送+接收理解），且文本序列化/反序列化会丢失高维语义信息。

RecursiveMAS的核心设计：

Agent A (推理) → 生成hidden states → 取最后一层embedding (768/1024维向量)
Agent B (接收) → 直接将embedding注入attention层 → 推理

实测数据：

该框架引入了一个轻量级的"Recursive Communication Module"（RCM），本质上是一个可学习的投影层，将一个Agent的隐藏状态映射到另一个Agent的输入空间。RCM仅增加不到1%的参数量。

限制：目前仅在同架构模型间验证（如多个Llama实例之间），跨架构通信（如Llama→GPT）仍需文本桥接。这意味着在当前的API调用场景中，潜空间通信尚不可直接应用，但为未来多Agent基础设施指明了方向。

五、投票已够用律：辩论的边际收益极小

NeurIPS 2025 Spotlight论文《Debate or Vote: Which Yields Better Decisions in Multi-Agent Large Language Models?》（arXiv 2508.17536）对比了7种决策协议，发现了一个令人意外的结论：

多数投票（Majority Voting）单独贡献了多Agent辩论绝大部分的性能增益。

论文在MMLU、GSM8K、ARC等基准上系统测试了： 1. 多数投票（无通信） 2. 多轮辩论后投票 3. 共识协议（需全体同意） 4. 加权投票（按置信度加权） 5. 单轮讨论后投票 6、7. 其他变体

关键发现：

从投票到1轮辩论，准确率提升仅0.5%，但Token消耗从5x跳到15x。从1轮到3轮辩论，准确率再提升0.2%，Token消耗飙到35x。这揭示了多Agent辩论的性价比极低——大多数性能增益来自投票的统计平滑效应，而非辩论带来的信息交换。

另一篇ACL 2025论文《Voting or Consensus? Decision-Making in Multi-Agent Debate》进一步确认：共识协议（要求全体Agent同意）在多样化数据集上反而降低了准确率，因为它迫使少数持有正确答案的Agent向多数错误答案妥协。

实战方案：在99%的生产场景中，多数投票（n=5, temperature=0.7）已经足够。如果预算允许1轮辩论，选择性地在投票结果分歧最大时触发辩论，可以将边际成本控制在合理范围内。

六、架构适配律：任务类型决定编排拓扑

Google Research在InfoQ的后续访谈中总结了一个实用的决策矩阵，根据任务类型推荐最优Agent架构：

graph TD
    A[任务输入] --> B{任务类型判断}
    B -->|可分解并行| C[Sampling + 多数投票]
    B -->|需要严格因果链| D[单Agent + 增强工具]
    B -->|验证/审阅类| E[Generator-Verifier 双Agent]
    B -->|开放式探索| F[异构小队 3-5 Agent]

    C --> G{n=5, temp=0.7}
    D --> H{工具增强+CoT}
    E --> I{生成+验证循环}
    F --> J{多模型+多策略}

    G --> K[性价比最高<br/>Token消耗: 5x]
    H --> L[规划任务最优<br/>Token消耗: 1x]
    I --> M[代码/数学场景<br/>Token消耗: 2-3x]
    J --> N[创意/研究场景<br/>Token消耗: 3-5x]

具体的量化建议：

一个常被忽视的发现：当Agent数量超过5时，即使在高增益场景（数学推理）中，性能也开始出现微弱下降。这不是因为协调成本（sampling架构无协调），而是因为多数投票在面对长尾错误模式时，更多样本反而会稀释正确答案的投票比例——当模型的系统偏差一致时，更多样本只是更多相同的错误。

实测决策流程：六律整合

将六条缩放定律整合为生产环境决策流程：

flowchart TB
    subgraph Phase1["第一律：能力探测"]
        A[单Agent基线测试] --> B{pass@1 > 45%?}
    end

    B -->|是| C[单Agent增强路线<br/>Prompt/工具/CoT]
    B -->|否| D{pass@1 > 25%?}

    D -->|否| E[换模型/换任务分解]
    D -->|是| F[进入多Agent设计]

    subgraph Phase2["第二律：架构选择"]
        F --> G{任务可并行分解?}
    end

    G -->|是| H[Sampling + Voting<br/>第五律：投票优先]
    G -->|否| I{需要验证?}
    I -->|是| J[Generator-Verifier]
    I -->|否| K[单Agent增强]

    subgraph Phase3["第三律：多样性注入"]
        H --> L{Agent同构?}
    end

    L -->|是| M[改用2-3种不同模型]
    L -->|否| N[3-5个异构Agent]

    subgraph Phase4["成本校准"]
        N --> O[监控Token消耗]
        O --> P{成本/收益比可接受?}
    end

    P -->|是| Q[上线]
    P -->|否| R[减少Agent数量或<br/>第四律：探索潜空间通信]

Phase 1耗时约1-2小时（跑一轮单Agent基准），但能避免80%不必要的多Agent复杂度。Phase 2的核心是区分并行和串行任务——这是决定多Agent能否带来正收益的分水岭。Phase 3引入多样性约束，确保即使数量少，信息增益也足够大。Phase 4在成本和性能之间做最终权衡。

被忽视的第七条暗律：通信开销超线性增长

上述六律之外，还有一条生产环境中极为关键但常被忽视的规律：多Agent系统的通信开销随Agent数量呈超线性增长。

在一个$n$个Agent的系统中，如果每个Agent需要向所有其他Agent广播其推理结果（全连接拓扑），每轮通信的Token消耗为：

$$T_{\text{comm}} = n \times (n-1) \times t_{\text{msg}}$$

其中 $t_{\text{msg}}$ 是单条消息的平均Token数。这意味着从3个Agent增加到5个Agent，通信Token不是增加67%，而是增加233%（从$6t$增加到$20t$）。

在实际的辩论架构中，3轮辩论的总Token消耗为 $3 \times n \times (n-1) \times t_{\text{msg}} + n \times t_{\text{init}}$。对于5个Agent、$t_{\text{msg}}=500$ token的场景，仅通信成本就达到30000 token/轮，三论辩论共计90000+ token——这还不包括Agent自身的推理Token。

降低通信开销的三种策略：

1. 星型拓扑替代全连接：引入一个中心协调Agent，所有Worker Agent只与Coordinator通信。通信成本从$O(n^2)$降至$O(n)$。

2. 摘要压缩：每轮辩论后，Coordinator生成一份50-100 token的摘要，替代完整的$n \times t_{\text{msg}}$广播。实测可减少60-70%的通信Token。

3. 触发式通信：不是每轮都让所有Agent发言，而是在投票分歧超过阈值时才触发辩论。这能将90%的请求保持在纯投票路径上，仅10%进入辩论流程。

对比总览：五大多Agent缩放策略实测

变现与训练营评估

多Agent缩放定律是一个极好的训练营主题，原因有三：

1. 反直觉性强："更多Agent ≠ 更好结果"这一结论能立刻抓住学员注意力，与传统"人海战术"直觉形成冲突。

2. 可量化实操：每个学员都能在1小时内完成"单Agent基准 → 3-Agent投票 → 5-Agent辩论"的A/B测试，亲眼看到缩放曲线。

3. 直接降本：企业客户从5-Agent辩论降级到3-Agent异构投票，Token成本可降低70%以上，ROI清晰可见。

建议训练营结构：第一天跑基线（2小时），第二天学六律框架（4小时），第三天动手优化一个真实多Agent系统（4小时），第四天做成本/性能Trade-off报告（2小时）。

参考来源

1. Towards a Science of Scaling Agent Systems — Google Research/DeepMind/MIT, 180配置缩放定律原始论文
2. Recursive Multi-Agent Systems — UIUC/Stanford/NVIDIA/MIT, 潜空间递归通信框架
3. Debate or Vote: Which Yields Better Decisions in Multi-Agent Large Language Models? — NeurIPS 2025 Spotlight, 7种决策协议对比
4. Understanding Agent Scaling via Diversity — SafeRL-Lab, 信息论框架解释多样性>数量
5. Google Research Blog: When and Why Agent Systems Work — 能力饱和效应官方解读

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。