Description

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

今天的主题是：

Towards a Science of Scaling Agent Systems

Summary

智能体（Agents）——即基于大语言模型、具备推理、规划与行动能力的系统——正逐渐成为现实世界 AI 应用的主流范式。尽管其应用日益广泛，但决定智能体系统性能的基本原理仍缺乏深入研究。为此，本文系统性地推导了智能体系统的定量化扩展规律（scaling principles）。

我们首先形式化定义了智能体评测（agentic evaluation），并将扩展规律刻画为智能体数量、协作结构、模型能力与任务属性之间的相互作用。我们在四个基准测试上进行了评估：Finance-Agent、BrowseComp-Plus、PlanCraft 和 Workbench。实验涵盖五种典型的智能体架构，包括单智能体（Single-Agent）以及四类多智能体系统（独立式、集中式、去中心化式和混合式），并在三类 LLM 家族上进行实例化，共构成 180 种受控配置。

基于协作相关的度量指标，我们构建了一个预测模型，其交叉验证 R2=0.524R2=0.524，能够对未见过的任务领域进行性能预测。研究识别出三种关键效应：

1. 工具—协作权衡效应：在计算预算固定的条件下，工具调用密集型任务在多智能体设置中会因协作开销而遭受不成比例的性能下降。
2. 能力饱和效应：当单智能体基线性能超过约 45% 时，引入协作所带来的收益会迅速递减，甚至转为负收益。
3. 依赖拓扑结构的误差放大效应：独立式智能体会将误差放大至 17.2 倍，而集中式协作可将误差放大效应抑制在 4.4 倍。

在可并行化任务中，集中式协作可将性能提升 80.8%；而在网页导航类任务中，去中心化协作表现更优（提升 9.2%，而集中式仅提升 0.2%）。相反，对于顺序推理任务，所有多智能体变体均导致性能下降，降幅介于 39% 至 70% 之间。

该框架能够为 87% 的留出配置准确预测最优协作策略。在 GPT-5.2 上进行的样本外验证取得了 MAE=0.071，并验证了五条扩展规律中的四条能够泛化至此前未见的前沿模型。这些结果为理解与设计高效的智能体系统提供了系统化、定量化的理论基础。

原文链接：https://arxiv.org/abs/2512.08296