识别你的编排者：LLM多智能体的熵动力学视角

从单轮模型到多代理系统（MAS）的转变有望增强解决问题的能力，但集中式编排拓扑仍然是一个关键的脆弱点。为了分析这一点，我们提出了一个平均场熵动力学框架，将编排过程建模为一个由任务解析和累积上下文加载的竞争力量控制的系统。为了促进验证，我们引入了逆向工作流生成（IWG），这是一种多代理管道，可通过密集的中间检查点合成可过程验证的高复杂性基准。我们证明了我们的熵动力学模型符合经验轨迹，提供了量化系统稳定性和性能崩溃的物理可解释参数。至关重要的是，我们的分析揭示了一个“推理陷阱”：虽然大量推理的模型在孤立的任务中表现出色，但由于上下文挤压，它们经常在协调器方面失败。阐明协调器背后的物理机制并量化系统不确定性为 MAS 的架构设计提供了见解。