从多智能体到单智能体：技能蒸馏何时有益？

多代理系统（MAS）通过分配专业知识来处理复杂的任务，尽管这通常以大量的协调开销、上下文碎片和脆弱的阶段排序为代价。将 MAS 提炼为单代理技能可以绕过这些成本，但这种转换缺乏关于何时提炼和提炼什么的原则性答案。相反，实证结果却出人意料地不一致：在完全相同的任务指标中，技能提升从 28% 的提高到 2% 的下降不等。在这项工作中，我们揭示了技能效用不是由任务决定的，而是由评估指标决定的。我们引入度量自由（$F$），第一个技能效用的先验预测因子。 $F$ 通过曼特尔测试量化输出多样性与分数方差的耦合方式，来衡量指标评分格局的拓扑刚性。在$F$的指导下，我们提出了一个两阶段自适应蒸馏框架。第一阶段充当选择性提取机制，提取工具和知识，同时放弃“自由”指标的限制性结构以保留探索。第 2 阶段的目标是专门针对“刚性”指标（$F \lesssim 0.6$）进行计算密集型迭代细化，以消除轨迹局部过度拟合。通过评估 4 个任务、11 个数据集和 6 个指标，$F$ 强烈预测技能效用（$\rho = -0.62$，$p < 0.05$）。引人注目的是，在严格指标与自由指标下，相同的代理轨迹会产生截然相反的技能提升，这表明技能效用从根本上来说是指标级别的属性。在此信号的驱动下，我们的自适应代理匹配或超过了原始 MAS，同时将成本降低高达 8$\times$，并将延迟降低高达 15$\times$。