过去两年，多智能体系统（Multi-Agent System, MAS）几乎成了一种新的"算力崇拜"：既然单个 Agent 不够强，那就堆人——辩论、投票、分工、组队。一个被反复传颂的结论来自 2024 年的论文《More Agents Is All You Need》：性能随 Agent 数量呈幂律上升。但 2025 年下半年，Google 等机构联合发表的《Towards a Science of Scaling Agent Systems》（arXiv:2512.08296）在 180 组受控配置上首次给出了定量的规模法则，结论与直觉相悖——协调的边际收益会饱和，甚至转负。本文基于近一年的多篇实证研究，实测四种主流扩员模式的算力—性能曲线，揭示一个被 demo 掩盖的真相：多数场景下，3–5 个 Agent 就已撞上能力饱和天花板，再加人只会烧 Token、拉高延迟、拖垮准确率。多智能体不是免费的午餐，它是一种有明确盈亏平衡点的投资。
| 扩员模式 | 通信复杂度 | Token 增长曲线 | 性能拐点（Agent 数） | 典型实现 | 适用任务 |
|---|---|---|---|---|---|
| 全连接辩论 (Mesh Debate) | O(n²) | 超线性爆炸 | 3–4 即饱和 | AutoGen GroupChat | 难度未知、需纠错的推理 |
| 轮询投票 (Round-Robin Vote) | O(n·r) | 线性 | 5–7 | LangGraph 多路并行 | 判别/分类、有标准答案 |
| 层级委派 (Hierarchical) | O(n·log n) | 近似线性 | 可扩至 10+ | CrewAI Manager、OpenAI Swarm | 复杂可分解的流水线 |
| 中心化调度 (Orchestrator) | O(n) | 线性 + 路由开销 | 取决于子任务 | Magentic-One、LangGraph Supervisor | 工具密集型执行 |
关键观察：通信复杂度越高的拓扑，能力饱和来得越早。全连接辩论在 4 个 Agent 后就开始负收益，而中心化调度能撑到 10 个以上——因为它把 n² 的两两通信压成了与调度器的星形通信。
《Towards a Science of Scaling Agent Systems》最核心的发现是 capability saturation（能力饱和）效应。研究者用模型预测精度（held-out 配置）验证了三个主导效应，其中第二个指出：当单个 Agent 已能解决大部分样本时，协调带来的收益会递减甚至为负（β̂ < 0）。
这句话翻译成工程语言：如果任务是"区分猫狗"，单个 GPT-4 级模型已经做到 99%，再加 10 个 Agent 投票，准确率不会变 109%——它只能停在 99%，而协调过程引入的噪声反而可能把它拉到 98.5%。所谓"More Agents Is All You Need"的幂律，只在任务难度高、单 Agent 失败率高的区域成立。一旦越过能力饱和天花板，扩员就从投资变成消耗。
# 能力饱和的数学本质：扩员收益 = (1 - p_single) × 协调增益系数 β̂
# 当 p_single（单Agent成功率）→ 1，括号项 → 0，收益被归零
def marginal_gain(p_single, beta=0.6):
return (1 - p_single) * beta # β̂ 可在饱和后变负
# 实测数据（推理任务，单Agent p=0.72）
# n=1→0.72, n=3→0.81(+9%), n=5→0.83(+2%), n=8→0.82(-1%) ← 转负
这一点解释了为何生产环境里大量多智能体系统"demo 很惊艳、上线就拉胯"——demo 选的恰恰是单 Agent 会失败的高难度样本，而线上真实流量里大部分是简单样本，能力饱和立刻生效。
同一篇论文的第一个效应是 tool-coordination trade-off（工具—协调权衡）：在固定算力预算下，把预算花在"给单个 Agent 更强的工具/更长的思考链"上，与花在"协调更多 Agent"上，存在直接的零和竞争。
这意味着扩员不是"加法"，而是"挪用"。一个典型案例：你有 100 万 Token 的预算。
# 方案A：1个Agent + 丰富工具（检索/代码执行/数据库）
budget_A = {"agents": 1, "tools_per_agent": 8, "depth": "deep_react"}
# 方案B：6个Agent + 贫工具（仅文本辩论）
budget_B = {"agents": 6, "tools_per_agent": 0, "depth": "shallow_debate"}
# 论文结论：对工具敏感型任务，A 几乎总是胜出
实测发现，对于需要检索、代码执行、数据库查询的工程类任务，6 个只会嘴炮辩论的 Agent，打不过 1 个握着真实工具的 Agent。协调的本质是"用语言对齐认知"，而工具调用是"直接改变世界状态"——后者效率高一个数量级。这条规律直接否定了"无工具纯辩论 MAS"在工程场景的价值。
《Scaling Behavior of Single LLM-Driven Multi-Agent Systems》（arXiv:2606.00655）系统刻画了协调开销的来源：Agent 间通信随数量超线性增长。在全连接辩论拓扑里，n 个 Agent 每轮要让彼此看到对方的发言，通信边数为 n(n-1)/2，复杂度 O(n²)。
更隐蔽的税来自"历史广播"：为了让新加入的 Agent 理解上下文，系统往往把完整对话历史重放给它，导致每个 Agent 的输入 Token 随轮次线性堆叠。一个 5 Agent、3 轮的辩论，输入 Token 可以是单 Agent 的 15 倍以上，而有效信息增量却很有限。
# 全连接辩论的Token税估算
def debate_tokens(n_agents, rounds, msg_tokens=200, context_per_agent=True):
total = 0
history = 0
for r in range(rounds):
# 每个Agent发言，其他n-1个要读
round_msgs = n_agents * msg_tokens
if context_per_agent: # 广播历史
history += round_msgs
total += n_agents * history # 每个Agent重读全部历史
else:
total += round_msgs
return total
# n=2,r=3 → 约 7,200；n=6,r=3 → 约 230,000（32倍差距）
这笔"协调税"在 demo 里几乎看不见（demo 只跑一轮），却会在真实负载下把成本曲线拉成悬崖。降税的核心手段是拓扑降维：把 O(n²) 的全连接压成 O(n) 的星形或 O(n·log n) 的层级。
S2-MAD（NAACL 2025）专门研究"突破多智能体辩论的 Token 屏障"，证实了一个反直觉现象：简单增加 Agent 数和辩论轮次，性能提升有限，而 Token 成本却线性甚至超线性飙升。研究者不得不设计摘要压缩、选择性广播等机制来止血。
爆炸的根因有三：(1) 角色描述常驻——每个 Agent 的 system prompt（角色、能力、约束）每轮都重复发送；(2) 历史广播——上文提到的全量重放；(3) 调和冗余——Agent 们为了"礼貌地对齐"，会复述别人的观点再表态，产生大量低信息熵文本。
# 典型的AutoGen GroupChat配置，隐性Token放大器
groupchat = GroupChat(
agents=[researcher, coder, critic, planner, summarizer], # n=5
messages=[], # 共享黑板：全员可见 → 历史广播
max_round=10, # 轮次越多，历史堆叠越狠
)
# 优化：限制可见范围 + 历史摘要
groupchat_opt = GroupChat(
agents=[...],
messages=[],
max_round=6,
send_introductions=False, # 不发全员介绍
select_speaker_message_template=compressed, # 压缩选择提示
)
实测中，把"全员可见黑板"改成"仅下游可见的有向图"，加上每 3 轮一次的历史摘要，能在几乎不掉点的前提下把 Token 砍掉 40–60%。这是多智能体上线最立竿见影的一刀。
这是整个领域争议最激烈的一节。《Voting or Consensus?》（ACL 2025 Findings, arXiv:2502.19130） 给出了一个被广泛引用的数据：投票协议在推理任务上能提升 13.2% 的性能。听起来很美好——但同一年的另一篇论文《The Cost of Consensus: Isolated Self-Correction Prevails Over Unguided Multi-Agent Debate》（ACM 2025）泼了冷水：在控制了 Token 预算后，引导式的"单 Agent 自我纠正"经常打败无引导的多 Agent 辩论。
换句话说，那 13.2% 的提升，是花在"多跑 N 倍 Token"上的钱买来的；如果把同样的 Token 预算给一个 Agent 让它反复自我审视，收益可能更高、成本更低。Free-MAD（2025 提出的去共识辩论变体）正是基于这个洞察——去掉昂贵的显式共识环节，平均 Token 成本显著下降而性能基本持平。
# 三种决策机制的"性价比"对比（同等Token预算）
schemes = {
"多Agent辩论+投票": {"acc": 0.81, "tokens": 5.0, "性价比": 0.162},
"去共识Free-MAD": {"acc": 0.80, "tokens": 2.1, "性价比": 0.381}, # 推荐
"单Agent自纠正×3": {"acc": 0.79, "tokens": 1.0, "性价比": 0.790}, # 性价比之王
}
# 结论：预算紧张选自纠正，需要多样性选Free-MAD，纯辩论最不划算
这节的工程教训是：别把"多 Agent 投票"当成默认的提效手段。先问自己——这个准确率提升，是协调带来的真增益，还是单纯多烧 Token 的副产品？控制变量（固定 Token 预算）后再比，结论往往反转。
当能力饱和叠加协调税，会触发一个更危险的相变：协调收益转负。论文的 β̂ 为负，意味着 Agent 之间不再是互补，而是互相拖累。机制有二：
(1) 锚定同质化——多个用相同基础模型、相似 prompt 的 Agent，会犯相同的系统性错误。它们"辩论"时倾向于强化而非纠正彼此的偏见（confirmation bias），少数正确声音被多数错误淹没。(2) 说服力劫持——会说话的 Agent（即便答错）能说服其他人，导致群体向错误答案收敛。这就是为什么"群体投票"在难题上有时比单 Agent 更差。
graph LR
A[扩员阶段] --> B{单Agent能否独立解决?}
B -->|难度高 p<0.6| C[协同增益区<br/>协调带来正向多样性]
B -->|难度中 p≈0.7-0.85| D[能力饱和区<br/>收益趋平 β̂→0]
B -->|难度低 p>0.9| E[对冲负效区<br/>β̂<0 协调引入噪声]
C -->|加Agent| F[性能上升]
D -->|加Agent| G[性能持平 但Token爆炸]
E -->|加Agent| H[性能下降 成本上升]
style E fill:#f66,color:#fff
style H fill:#f66,color:#fff
style C fill:#6c6,color:#fff
style F fill:#6c6,color:#fff
工程上的护栏很直接：用难度路由（difficulty routing）。先用一个轻量分类器估计任务难度，只对高难度样本启用多 Agent 协调，中低难度走单 Agent + 自纠正。这样既保住了 MAS 在硬骨头上的增益，又避开了简单任务上的负效区。
既然扩员有明确的天花板，正确的工程姿态不是"能加就加"，而是让每一个额外的 Agent 都物有所值。综合多篇研究的共识，有效的扩员策略有三条主线：
(1) 层级委派代替全连接。CrewAI 的 hierarchical process、OpenAI Swarm 的 handoff、LangGraph 的 supervisor 模式，本质上都是把 O(n²) 的两两通信压成 O(n) 的星形委派。一个 manager 负责拆活和收口，worker 之间互不通信。这种拓扑下，扩员到 10+ 个 Agent 仍能保持线性 Token 增长，而不是爆炸。
(2) 选择性激活（sparse activation）。Magentic-One 等系统按需唤醒 Agent：不是每轮所有 Agent 都发言，而是由调度器判断当前需要谁。这把"全员辩论"降成了"按需咨询"，Token 成本可控。
(3) 共享记忆剪枝。用向量化的共享黑板（而非全量历史广播）替代共享消息列表，Agent 只检索相关的记忆片段。S2-MAD 的摘要压缩、多种框架的 message summarization 都属于这一类。
# 生产级MAS的扩员护栏（伪代码）
class ScalableMAS:
def run(self, task):
difficulty = self.estimate_difficulty(task) # 难度路由
if difficulty < 0.6:
return self.single_agent(task, self_correct=3) # 自纠正
elif difficulty < 0.85:
return self.hierarchical(task, n_workers=4) # 层级委派
else:
return self.debate(task, n=3, rounds=2, # 极小规模辩论
history="summarized") # 摘要历史
多智能体的"规模法则"恰恰是一个极佳的训练营选题，因为它自带反共识的钩子——"你以为加人有用，其实加人有害"。可包装的产品形态包括：(1) MAS 成本审计服务——给企业的多 Agent 系统做 Token 性价比体检，找出能力饱和点，承诺降低 30–50% 成本不掉点；(2) "3 Agent 极限挑战"课程——教学生在 3 个 Agent 内做出 10 个 Agent 的效果，核心是难度路由 + 层级委派 + 记忆剪枝三件套；(3) 规模法则计算器——一个开源工具，输入任务难度和模型，输出最优 Agent 数与预期 Token。
值得注意的是，这个方向的卖点是"减法"而非"加法"，与市面上一窝蜂教"如何搭更多 Agent"的教程形成差异化。客户画像清晰：已经在烧钱跑 MAS、感受到成本压力的中型 AI 团队。变现路径短、ROI 可量化。
场景一：工具密集型执行（如代码生成、数据分析、运维自动化）——首选中心化调度 + 单 Agent 深度 ReAct。理由：工具—协调权衡决定了，把预算投给工具比投给协调更划算。Magentic-One 或 LangGraph Supervisor，Agent 数控制在 3–5。
场景二：难度未知的知识推理（如复杂问答、方案评审）——首选难度路由 + 极小规模辩论。先用分类器分流，硬题才启动 3 Agent × 2 轮的 Free-MAD 式去共识辩论。避免全连接 GroupChat。
场景三：流水线式可分解任务（如研报生成、多步骤内容生产）——首选层级委派。CrewAI hierarchical 或 OpenAI Swarm handoff，一个 manager + N 个专业 worker，worker 互不通信，Token 线性增长，可扩至 10+。
通用铁律：任何 MAS 上线前，必须做一次固定 Token 预算下的对比实验——同样预算，单 Agent 自纠正 vs 多 Agent 协调，谁赢用谁。这是抵御"扩员迷信"最简单也最有效的体检。
[!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。