Um único agente com habilidades pode substituir sistemas multi-agente? Sistemas multi-agente funcionam bem para raciocínios complexos onde agentes especializados colaboram por meio de comunicação explícita. Mas isso gera uma sobrecarga computacional substancial em tokens e latência. Esta nova pesquisa explora se é possível compilar um sistema multiagente em um sistema equivalente de agente único, trocando comunicação entre agentes por seleção de habilidades. A resposta: sim, mas com uma ressalva. Experimentos preliminares mostram que abordagens de agente único com bibliotecas de habilidades podem reduzir substancialmente o uso e a latência de tokens, mantendo a precisão competitiva em benchmarks de raciocínio. Até aqui, tudo bem. Mas é aqui que fica interessante. Os pesquisadores perguntaram: Como a seleção de habilidades escala à medida que as bibliotecas crescem? Baseando-se na ciência cognitiva, eles propõem que a seleção de habilidades em LLM apresenta capacidade limitada análoga à tomada de decisão humana. E eles encontraram um padrão interessante. Em vez de se degradar gradualmente, a precisão da seleção permanece estável até um tamanho crítico da biblioteca, depois cai drasticamente. Mas parece uma transição de fase, não um declínio suave. Isso reflete limites de capacidade observados na cognição humana. O culpado não é só o tamanho da biblioteca. É a confusão semântica entre habilidades semelhantes. Quando as habilidades são semanticamente muito semelhantes, o modelo não consegue distingui-las de forma confiável. Isso sugere que a organização hierárquica, que há muito ajuda humanos a gerenciar escolhas complexas, pode beneficiar de forma semelhante os sistemas de IA. Resultados iniciais com roteamento hierárquico apoiam essa hipótese. À medida que construímos agentes cada vez mais capazes com habilidades em expansão, compreender esses limites fundamentais torna-se fundamental. Você não pode simplesmente continuar adicionando habilidades indefinidamente. Existe um limite em que a seleção se quebra, e isso acontece de repente, não gradualmente. Papel: Aprenda a construir agentes de IA eficazes em nossa academia: