AI 代理越多越好？研究：太多代理會拖慢效率，3 到 4 個已經很夠用
隨著 AI 代理風潮逐漸興起，許多企業都在考慮導入相關技術，同時業界也普遍認為，只要增加 AI 代理的數量和規模，自然就可以提升任務處理效能。然而，近期一篇全新研究卻徹底反駁了上述說法。
根據 Google 與麻省理工學院專家日前公開的研究，他們指出一昧增加 AI 代理數量及工具的行為，本質上是一把「雙刃劍」。
換句話說，該行為雖然可以替解決特定問題提升效能，卻往往會於其他任務中，產生過多不必要的開銷，進而導致邊際效益遞減。
這個研究為 AI 開發人員和企業決策者，提供了一條十分關鍵的思考邏輯，協助他們判斷何時應該部署複雜的多代理架構，何時則應採用更簡單、成本效益更高的單一 AI 代理解決方案。
採用 SAS 或 MAS 的爭論
只不過，若想徹底理解前述研究代表的意義，首先得理解當今 AI 代理環境的兩種主要架構，即單一代理系統（SAS）與多代理系統（MAS），
在 SAS 中，AI 代理的所有認知、規劃與行動，皆發生於單一順序迴圈之內，並由單一的大型語言模型（LLM）控制。至於在 MAS 下，由多個大型語言模型組成的 AI 代理群集，會透過結構化的方式彼此溝通以完成任務。
相較於 SAS，近來商業領域對 MAS 的關注度出現激增，原因在於多個專業化代理的互相協作，通常都能超越單一 AI 代理系統的表現。
如何評估多 AI 代理的實際效率？
隨著 AI 肩負任務的複雜度不斷提升，甚至需要持續跟工作環境進行互動，例如撰寫程式碼或財務分析等，開發者往往認為，將任務分配給多個「專業化」的 AI 代理，將是比起採用單一 AI 系統更好的解決方案。
然而，Google 與麻省理工學院的研究人員表明，儘管 MAS 出現後迅速獲得企業採用，但業界卻始終缺乏原則性的量化框架，用以預測 AI 代理數量導入到什麼程度時，可以真正提升任務效率，而超過哪個數量將削弱 AI 性能。
該研究最為關鍵的貢獻，在於將 AI 所處理的任務以「靜態」及「動態」進行區分，並為後者擬定了一份「代理型任務基準檢查表」，把那些需要持續性多步驟互動、反覆資訊蒐集及策略適應性調整的工作，刻意區分開來。
這種區分方式之所以重要，原因是 AI 代理工具對於解決靜態問題，例如撰寫程式等任務的工作策略，往往會在動態任務中失效，尤其 MAS 之間的「溝通協調開銷」與「錯誤的資訊交換」，可能會使解決問題的過程變得更加複雜。
嚴謹架構測試，量化權衡關係
為了減少特定系統架構本身所帶來的效能影響，研究人員刻意設計了極為嚴謹的實驗框架，並測試多達 180 種不同的多代理配置方式，涵蓋 5 種相異的配置架構、同時採用 3 款主流大型語言模型家族產品，包含 OpenAI、Google、Anthropic，以及選擇 4 項評估效能表現的基準測試。
研究人員指出，他們透過標準化的工具、提示詞結構與 Token 預算，盡可能消除混雜效應，確保當 MAS 的表現優於 SAS 時，其優勢確實可歸因於多代理之間的協調，而非取決於更優異的 AI 工具，或者更強大的硬體運算能力。
Google 與麻省理工學院的研究結果，不只是挑戰也確實推翻了傳統觀念，即 AI 代理的數量並非「越多越好」，而多代理系統的效能表現，其實取決於架構特性與任務特性之間可以被量化的權衡關係。
多代理系統容易面臨「情境碎片化」
該研究歸納出了 3 大結論。首先，在任務預算固定的情況下，多代理系統會面臨「情境碎片化」的問題，即相較於單一 AI 代理的統一管理，若任務處理預算有限，那麼 MAS 中的每個 AI 代理，最終都會缺乏足夠的工具協調能力。
研究人員強調，在工具密集型環境中，當工具數量超過 10 個時，MAS 的效率會出現急遽下降，且相較於 SAS 其效率損失可達到 2 至 6 倍。
在這種情況下，較為簡單的 AI 代理架構，終究擁有更好的效益，因為它們能夠有效避免隨環境複雜度不斷加劇的協調開銷。
要選對基礎模型、注意錯誤率疊加
其次，研究表明單一 AI 代理的經驗閾值（empirical threshold）大約在 45% 的準確率左右，一旦 AI 代理的表現超越該水準，繼續增加更多代理通常只會產生負面效益。
來自 Google 的科學家暨研究共同作者 Xin Liu 認為，該結論其實提醒了企業領導者，應該同時投資單一與多代理系統，即優秀的基礎模型可以提高 AI 代理效能，但對於具備可拆分與平行化潛力的任務，比方說研究中測試的金融領域 AI 代理工具，MAS 仍能創造顯著價值，擺脫單一模型能力的限制。
最後，研究人員發現多代理系統的結構，決定了 AI 運算過程所發生的錯誤，究竟會被順利修正，或者是反過來倍增。
在 AI 代理平行運作且互不溝通的「獨立型」系統中，錯誤放大率較單一代理高出 17.2 倍，相較之下，「集中式」架構能夠把錯誤放大率控制在 4.4 倍。
研究的第一作者麻省理工學院博士生 Yubin Kim 指出，關鍵差異在於系統有沒有設立專門的驗證機制，並且在錯誤擴散之後，直到最終輸出結果之前予以攔截，例如針對邏輯矛盾問題，採用「集中型」架構的 MAS，基礎錯誤率能降低 36.4%，對於上下文遺漏錯誤也可以減少 66.8%。
引入高效率 AI 代理系統的 5 大方向
對於開發人員和企業領導者而言，Google 與麻省理工學院的研究為建立更有效率的 AI 系統，提供了具體的指導方針，而且主要可分為 5 大方向。
第一，在導入 AI 代理系統之前，企業必須先分析任務執行的依賴結構，假若步驟 B 完全仰賴步驟 A 的輸出結果，那麼選擇單一 AI 代理反而會更好，採用多代理系統反而會讓錯誤層層累積。但是，假若任務具備平行性或可拆分性，例如要同時分析三份不同財務報表，那麼選擇 MAS 顯然會更有效益。
第二，企業應該始終先以單一 AI 代理為基準，假如任務流程本身無法輕易拆分，同時也具備超過 45% 的成功率，那麼繼續增加更多 AI 代理可能將導致效能下降、成本上升，卻無法創造更多價值。
第三，在將 MAS 應用於需要多種獨立工具的任務時，開發者與企業務必要保持高度謹慎，避免各個 AI 代理因 Token 預算不足，造成記憶與上下文的碎片化，尤其是涉及超過 10 種工具的密集型任務，採用 SAS 將是更好的選擇。
第四，不同結構的 MAS 擅長處理不同類型的任務，對於金融或程式編寫等需要高精準度的工作，「集中型」架構會更具優勢；至於對動態網頁瀏覽等，對探索性有較高需求的工作，「分散型」架構則能讓多個 AI 代理探索不同路徑，展現出更卓越的處理效能。
第五，儘管直接增加 AI 代理數量，確實在某些領域有一定作用，但研究人員表明，當前最有效率的應用規模，大概就是同時採用 3 到 4 個 AI 代理即可；當 AI 代理數量超過該上限，代理之間的溝通開銷會呈現超線性增長，協調作業的成本支出，更會迅速壓過推理能力增加所帶來的價值提升。
新技術仍待突破，小團隊有更大效益
研究團隊表示，儘管 3 到 4 個 AI 代理協力運作的小團隊架構，已經觸及到效率與開銷的平衡上限，但這很可能是現行 AI 代理之間通訊方式的限制，而非 AI 本身的問題。
Yubin Kim 點出了幾個關鍵技術，例如稀疏通訊協定和智慧路由機制，未來可望進一步降低 MAS 的成本開銷，還有利用「層級分解」的協調架構，取代扁平化的代理群集，以及異步協調、混合模型等，皆有助於提高多代理系統的執行效率。
至於對一心想導入 AI 代理的企業來說，Google 與麻省理工學院的研究結果十分明確，打造規模更小、更聰明、結構更嚴謹的多代理系統，顯然才能獲得最大的商業效益。
【推薦閱讀】
◆ 企業 AI 為何越推越沒人用？Deloitte 揭露「影子 AI」背後的信任危機
◆ 【AI 轉型漏了會計業】人才流失＋轉型緩慢，Marble 想用 AI 代理破局
◆ 你的 AI 專案為何失敗？摩根大通的啟示：沒有「連接性」的模型，只是一場昂貴的浪費
＊本文開放合作夥伴轉載，參考資料：《VentureBeat》、《arXiv》，首圖來源：Nano Banana Pro
（責任編輯：鄒家彥）