单个 LLM 驱动的多代理系统的扩展行为

基于 LLM 的多智能体系统 (MAS) 的新兴领域有望通过协作智能来处理复杂的任务，但有关其扩展行为和内在集体动态的基本问题仍未得到充分探索。本文系统地研究了同质 MAS 的性能如何随着智能体数量的增加而演变，从而将协作变量与模型或知识异质性隔离开来。我们提出了顺序迭代多代理系统（SIMAS）框架，这是一种以顺序代理间通信为中心的极简架构，可以清楚地观察缩放效果。通过跨不同任务和模型规模的广泛实验，我们确定 MAS 性能并不随代理数量单调扩展，而是遵循收益递减的模式，由协作协同和协调开销之间的权衡控制。我们的研究结果表明，有效的 MAS 需要有足够能力的基础 LLM，该任务类型严格调节最佳代理数量，并且集体智慧是取决于战略交互设计的新兴属性，而不是代理多元化的有保证的结果。性能下降源于协调开销，而不仅仅是长上下文失败，并且扩展趋势在结构化辩论拓扑等交互架构中普遍存在。这项工作提供了对 MAS 缩放定律的基础理解，为设计高效协作系统提供了实用指导，并挑战了“更多代理必然会带来更好性能”的普遍假设。