分解买来的是完整性，不是产出
来自 arXiv · 期号 2026-09-16
摘要
多智能体系统把任务拆成树状结构，理由是上下文更小、分工更清、可以并行。这篇论文问的是：拆分之后，叶子节点发现的信息有多少能传到根节点？ 作者把分解建模成一棵树：一个智能体拿到 b 个条目，每个条目以概率 r(b) 保留。如果 r(b)=1/b，那么无论树多深、任务多大，根节点恰好拿到一条发现——在 20000 棵随机不规则树上验证到 2.4×10^{-15} 精度。如果 r(b)=Cb^{-δ}，深度为 k 的树从 N 条发现中产出 C^k N^{1-δ}：任务规模和架构可以分离，架构每层贡献 C≤1，所以扁平结构对产出最优，任何排列都无法逃脱指数 δ。 在 600 条生产级 deep-research 轨迹上，δ=0.34 [0.30, 0.38]，由三种不共享失效模式的识别方法得出。在工具而非文本启发式决定条目边界、且 b=1 出现 550 次的位置，C=0.571 [0.527, 0.615] 是实测而非外推，覆盖 16082 跳。 深度还有对齐代价：在 1012 条标注的多智能体轨迹上，每 16 条简报中有一条偏离目标，给出 μ=0.939，每层惩罚 Cμ=0.536。 深度在另外两个维度上也有收益。根上下文是唯一持久且无法廉价遗忘的状态，深度将其暴露从 N 个条目降到 N^{1/k}。深度也更便宜：生产级扁平智能体账单为 N^{1.39}，而非追加式上下文预测的 N^2；在相同花费下，两层结构在 403 条发现处超越扁平。 在所有测量参数下，模型认为 0.7% 到 11.3% 的生产会话值得委派，而实际委派了 7.8%。一个基于 743819 次生产工具调用的风险模型发现，委派并非响应上下文填满，而是一种开局动作。