Um único agente com habilidades pode substituir sistemas multi-agente? Sistemas multi-agente funcionam bem para raciocínios complexos onde agentes especializados colaboram através de comunicação explícita. Mas isso acarreta um custo computacional substancial em tokens e latência. Esta nova pesquisa explora se é possível compilar um sistema multi-agente em um sistema equivalente de agente único, trocando a comunicação entre agentes pela 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 de tokens e a latência, mantendo uma precisão competitiva em benchmarks de raciocínio. Até agora, tudo bem. Mas aqui é onde 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 de LLM exibe uma capacidade limitada análoga à tomada de decisão humana. E eles encontraram um padrão interessante. Em vez de degradar gradualmente, a precisão da seleção permanece estável até um tamanho crítico da biblioteca, depois cai abruptamente. Mas parece uma transição de fase, não uma queda suave. Isso reflete os limites de capacidade observados na cognição humana. O culpado não é apenas o tamanho da biblioteca. É a confusibilidade semântica entre habilidades semelhantes. Quando as habilidades são muito semanticamente semelhantes, o modelo não consegue distinguir entre elas de forma confiável. Isso sugere que a organização hierárquica, que há muito ajuda os 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 conjuntos de habilidades em expansão, entender esses limites fundamentais se torna crítico. Não se pode simplesmente continuar adicionando habilidades indefinidamente. Há um limite onde a seleção falha, e isso acontece de repente, não gradualmente. Artigo: Aprenda a construir agentes de IA eficazes em nossa academia: