Больше ИИ-агентов не всегда значит лучше — исследование

Ученые проанализировали агентные системы разных типов — от одиночных моделей до сложных многоагентных архитектур. Исследователи изучали, как на результат влияют количество агентов, схема координации, возможности моделей и свойства задач.

Эксперимент показал, что добавление агентов в отдельных задачах действительно улучшает результат, но во многих случаях она создает лишние накладные расходы, фрагментацию контекста и эффект убывающей отдачи. Особенно заметно это в задачах с большим числом инструментов и жесткой последовательностью шагов.

Авторы различают «статические» задачи и по-настоящему агентные сценарии, где требуется длительное взаимодействие со средой, сбор информации и корректировка стратегии. Методы, которые работают в простых задачах, часто не работают в агентных системах из-за накопления ошибок и сложности координации.

В рамках эксперимента было протестировано 180 конфигураций: пять архитектур, три семейства моделей (включая решения от OpenAI, Google и Anthropic) и четыре бенчмарка. Результаты показали, что при использовании более 10 инструментов многоагентные системы теряют в эффективности в 2–6 раз по сравнению с одиночным агентом. Кроме того, если одиночная модель уже достигает точности выше примерно 45%, добавление агентов чаще всего не дает выигрыша.

Отдельно исследователи подчеркнули роль архитектуры. В системах без координации ошибки усиливаются многократно, тогда как централизованные схемы с «узким местом проверки» позволяют частично их отфильтровывать. Оптимальный размер команды, по текущим данным, составляет три–четыре агента — дальше стоимость коммуникации растет быстрее, чем польза.

Ученые отмечают, что перед внедрением сложных многоагентных систем стоит начинать с одиночного агента и четко анализировать структуру задачи. Если работу можно выполнять параллельно, несколько агентов могут дать прирост. Если же процесс строго последовательный или перегружен инструментами, более простая архитектура окажется и дешевле, и надежнее.