过去两年 agent 产品最常见的一层架构,就是「编排者 + 执行者」:一个模型负责拆任务、派工、汇总答案,另一批模型带着搜索工具各自去查。这么做的理由很直白——上下文更短、能并行、出错时职责更清楚。

但这套设计到底划不划算,一直缺一份干净的对照实验。最近一篇 arXiv 预印本(arXiv:2611.16526,作者来自波鸿鲁尔大学与可信 AI 研究中心)专门测了这件事,结论相当反常识:把活派出去,多数时候比不派更差。

32 组对照,委派大多是净亏损

论文固定四个模型(Claude Sonnet 4.5、GPT-5、gpt-oss-120b、Qwen3-30B-A3B-Thinking-2507,报称知识截止线从 2024 年 6 月到 2025 年 7 月不等)和四个事实类数据集(图书出版年、诺奖得主获奖时年龄、世界银行 GDP 增速、iF 设计奖产品上市年),每个数据集再按模型知识截止线切成「截止前」和「截止后」两半。检索统一走 SerpAPI,四个配置分别是:不给工具、单智能体直接搜、强制委派、可选委派。

结果是:在全部 32 组「模型 × 数据集 × 时间切分」组合里,可选委派有 22 组不如单智能体直接用工具(7 组更好、3 组持平),强制委派有 21 组更差(10 组更好、1 组持平)。

更刺眼的是越过知识截止线之后的落差。单智能体从截止前的 0.77 掉到截止后的 0.75,只掉 3 个百分点;可选委派从 0.74 掉到 0.64,掉 14 个百分点;强制委派从 0.77 掉到 0.66,掉 13 个百分点。也就是说,模型自己知道的事委派不吃亏,模型不知道的事委派先亏一轮——跟直接用工具的差距,从 1 个百分点扩大到 9 个百分点(强制)和 11 个百分点(可选)。

落差最大的一例是 GPT-5 在截止后的 GDP 任务上:单智能体 0.89,可选委派掉到 0.43,强制委派掉到 0.35。

三处漏损

第一处,编排者会往派出去的查询里塞自己的假设,而且经常塞错。GPT-5 在强制委派下有高达 98% 的截止前查询会补上「出版形式」这类信息;到了截止后的新书上,委派配置里它补的介质信息只有 4% 到 6% 是对的。论文举了个例子:用户问 2026 年那本 The Night We Met,GPT-5 把它改写成「Lord Huron 那首同名歌曲的发行年」,执行者于是正确地回答了 2015——对被派发的问题是对的,对用户问的问题却是错的。

第二处是信息边界。执行者只把最终答案交回编排者,中间的工具轨迹看不到。碰到网页打不开时,单智能体的 open_url 有 13% 返回 403,委派下升到 20%(可选)和 17%(强制),另有 3%、5%、5% 拿到没有可抽取正文的页面。可即便真的撞上 403,单智能体仍能答对约 73% 的受影响条目,强制委派只有 54%、可选委派 52%——差别不在检索能力,在编排者根本不知道发生过失败。

第三处是工具用得啰嗦。40% 的条目级检索轨迹包含多次 web_search,五千五百七十七对连续查询里有 9% 被判为「同一件事再搜一遍」。委派相对直搜的重复率从 7% 升到 11%,GPT-5 自己从 8% 升到 19%。更贵的还在后面:执行者明明答对了,编排者还会质疑对方的答案或干脆重派同一任务——GPT-5 在截止前的 GDP 上有高达 54% 的任务被重新派发,哪怕执行者答案正确,重派比例也从 6.4% 升到 8.8%。

提示词救不回来

论文试了两种最省事的干预。让执行者主动上报打不开的网页和它的 URL,GPT-5 的 GDP 成绩从 0.43 升到 0.51、从 0.35 升到 0.44,但仍远低于单智能体的 0.89;GPT-OSS 反而从 0.70 掉到 0.62、从 0.73 掉到 0.64。另一种是禁止重复发等价查询,Qwen 的重复率从 19.4% 降到 17.7%,GPT-5 反而从 4.4% 升到 6.6%——搜索次数没少,重复度也没真降。

不是孤例

机制层面,另一支团队在另一片场景里得到了同方向的结论。Amazon 与华盛顿大学的对照评估(arXiv:2611.12953)固定模型、任务和工具,只改架构,比较函数调用单智能体、技能增强智能体、中心化多智能体编排和分诊蜂群四种设计共 8 个配置,在 13 个企业 SOP 上跑。所有需要协调的配置,比单智能体多花 1.4 到 4.7 倍 token、多等 2.6 到 5.8 倍延迟,收益通常很小且很少显著,论文因此把单智能体称为「更划算的默认选择」。他们的第三条结论更有意思:实现质量压过了架构选择——一个搭得合理的多智能体输给单智能体,但针对同一个多智能体做定向重构之后,它是唯一显著超过基线的配置,75.6% 对 67.4%。

所以呢

「多智能体」现在更像架构默认值,而不是经过论证的选择。这篇论文的价值在于把默认值拆开测了一遍:同样的工具、预算和题目,多加一层委派不自动换来更高精度,反而会在模型无知的地方集中掉分。

如果系统里已经有编排者,把「委派是否划算」当成要实测的假设,而不是前提:先量单智能体在同一批任务上的基线,再看委派后的分任务准确率和 token、延迟倍数。特别盯住两点——执行者检索失败有没有传回来,执行者答对之后编排者又重派了多少次。论文自己也说了,可能有效的方向不是加提示词,而是针对性训练、搜索进度追踪,以及选择性传递证据与失败的机制。

多智能体不是不能做。但下次评审架构时,该被问的问题是「这个编排者到底赚回了什么」,而不是「我们有没有编排者」。