带技能的单智能体何时能替代多智能体系统、何时会失效

多智能体 AI 系统已被证明对复杂推理有效。这类系统由通过显式通信进行协作的专职智能体组合而成，但会带来可观的计算开销。一个自然的问题随之而来：能否用一个从技能库中选择技能的单智能体获得类似的模块化收益？我们从把技能视为内化的智能体行为这一视角来探索该问题。由此出发，多智能体系统可以被编译为等价的单智能体系统，用智能体间通信换取技能选择。我们的初步实验表明，这种做法可以在推理基准上保持有竞争力的准确率的同时，大幅降低 token 用量和延迟。然而，这种效率引出一个鲜受关注的更深问题：随着技能库增大，技能选择如何扩展？借鉴认知科学的原理，我们提出 LLM 的技能选择表现出类似人类决策的有界容量。我们研究了技能选择的扩展行为，并观察到一种显著模式：选择准确率并非逐渐退化，而是在达到临界库规模之前保持稳定，随后急剧下降，显示出一种类似人类认知容量极限的相变。此外，我们发现有证据表明，相似技能之间的语义混淆——而非单纯的库规模——在这种退化中起核心作用。这一视角表明，长期帮助人类管理复杂选择的层级化组织，同样可能有益于 AI 系统。我们在层级路由上的初步结果支持这一假设。这项工作开启了关于 LLM 中基于语义的技能选择基本极限的新问题，并为设计可扩展的基于技能的智能体提供了具有认知依据的框架和实用指南。