一个单一的代理能否替代多代理系统？ 多代理系统在复杂推理中表现良好，专门化的代理通过明确的沟通进行协作。 但这会带来可观的计算开销，包括令牌和延迟。 这项新研究探讨了是否可以通过将代理间的沟通转化为技能选择，将多代理系统编译成等效的单代理系统。 答案是：可以，但有一个警告。 初步实验表明，使用技能库的单代理方法可以显著减少令牌使用和延迟，同时在推理基准上保持竞争力的准确性。 到目前为止，一切都很好。 但有趣的是，研究人员问：随着库的增长，技能选择如何扩展？ 借鉴认知科学，他们提出LLM技能选择表现出类似于人类决策的有限容量。他们发现了一个有趣的模式。 选择准确性并不是逐渐下降，而是在达到一个临界库大小之前保持稳定，然后急剧下降。但这看起来像是一个相变，而不是平滑的下降。这与人类认知中观察到的容量限制相似。 罪魁祸首不仅仅是库的大小。相似技能之间的语义混淆也是一个因素。当技能在语义上过于相似时，模型无法可靠地区分它们。 这表明，层次化组织，长期以来帮助人类管理复杂选择，可能同样有利于AI系统。初步结果与层次路由支持了这一假设。 随着我们构建越来越强大的代理并扩展技能集，理解这些基本限制变得至关重要。你不能无限制地添加技能。存在一个阈值，在这个阈值上选择会崩溃，并且这种崩溃是突然发生的，而不是逐渐发生的。 论文： 在我们的学院学习如何构建有效的AI代理：