重新审视多Agent协作：更多未必更好

LLM与单Agent Harness快速进步，重塑自主系统，也提出多Agent协作何时真正有价值的问题。随着个体能力扩展，多Agent协作面临收益递减和上下文开销增长。通过系统分析，我们刻画多Agent相对单Agent方案的能力边界：它在依赖稀疏的长程任务中具有系统性收益，而单Agent Harness在紧密耦合、顺序执行的工作流中仍占优。基于这些洞见，我们提出由语义感知增量图演化支持的轻量协作机制SAIGE。它把协作表示为动态演化图，节点是按需创建的Agent实例，边表示通过基于内容的信息检索建立的语义依赖。在长程复杂任务基准上，SAIGE在上下文效率与任务表现间取得较好权衡，扩大Agent池或加深递归层级并不稳定改善结果。发现说明多Agent优势由任务结构限定，而非普遍成立；更多Agent不必然让系统更智能。