一個具備技能的單一代理能否取代多代理系統？ 多代理系統在複雜推理中運作良好，專門的代理透過明確的溝通進行協作。 但這會產生相當大的計算開銷，包括標記數和延遲。 這項新研究探討了是否可以通過用技能選擇來取代代理之間的溝通，將多代理系統編譯成等效的單一代理系統。 答案是：可以，但有一個警告。 初步實驗顯示，具備技能庫的單一代理方法可以顯著減少標記使用和延遲，同時在推理基準上保持競爭性的準確性。 到目前為止，一切都很好。 但這裡變得有趣的是，研究人員問：隨著庫的增長，技能選擇如何擴展？ 根據認知科學，他們提出LLM技能選擇表現出類似於人類決策的有界容量。他們發現了一個有趣的模式。 選擇準確性並不是逐漸下降，而是在達到臨界庫大小之前保持穩定，然後急劇下降。但這看起來像是一個相變，而不是平滑的下降。這與人類認知中觀察到的容量限制相呼應。 罪魁禍首不僅僅是庫的大小。還有相似技能之間的語義混淆。當技能在語義上過於相似時，模型無法可靠地區分它們。 這表明層次組織，這長期以來幫助人類管理複雜選擇，可能同樣有利於AI系統。初步結果顯示層次路由支持這一假設。 隨著我們建立越來越強大的代理並擴展技能集，理解這些基本限制變得至關重要。你不能無限制地添加技能。存在一個選擇崩潰的閾值，這是突然發生的，而不是逐漸的。 論文： 在我們的學院學習如何建立有效的AI代理：