多智能体一定更好吗？——LLM Agent工作流的控制变量评估研究

本研究通过BenchAgent标准化评估框架，以严格控制变量实验挑战"多即好"的普遍假设。结果显示，6个测试的多智能体系统中仅1个与单智能体基线相当，多数在准确性和成本效率上不及单智能体。研究为Agent领域提供了证据驱动的设计思路。

当前LLM Agent领域普遍认为增加智能体数量可提升表现，但现有比较存在方法论缺陷（如基准加载、工具访问等不一致）。本研究核心问题：标准化条件下，多智能体是否真的更优？

BenchAgent确保所有系统在基准加载、工具访问、答案验证、成本计算、轨迹记录等维度一致。评估包括基底内部（GPT-4.1测试推理/编码/工具使用）和协议对齐外部（GAIA基准测试动态工作流）两个维度。

• SI评估：6个多智能体系统中仅EvoAgent与单智能体相当，其余5个落后2.56-11.29个百分点，且成本-准确率权衡更差；
• PAE评估：动态生成工作流在GAIA基准上表现突出，比最强固定MAS高20+百分点。

1.协调开销：智能体间通信等额外开销抵消分工收益； 2.错误传播：链式/层级架构中错误级联放大； 3.预定义架构僵化：固定角色流程不适应特定任务需求。

1.单智能体优先：先优化单智能体，遇瓶颈再考虑多智能体； 2.动态优于固定：动态生成工作流更适应任务需求； 3.严格成本效益分析：考虑准确率、token消耗、延迟等。

局限：模型（GPT-4.1为主）、任务范围（未覆盖创意写作等）、MAS设计空间有限； 未来方向：自适应MAS、混合架构、细粒度任务特性分析、长期交互场景研究。