Исследования показывают, что «больше агентов» не является надёжным путем к лучшим корпоративным системам искусственного интеллекта

Исследователи из Google и MIT изучили эффективность многоагентных систем по сравнению с одноагентными системами. Их исследования оспаривают предположение, что большее количество агентов всегда приводит к лучшей производительности ИИ. Они разработали модель для прогнозирования производительности агентных систем на основе характеристик задач и архитектуры. Добавление большего количества агентов может улучшить определенные задачи, но часто вводит накладные расходы и снижение отдачи. Исследование различает "статические" и "агентные" задачи, где агентные задачи требуют устойчивого взаимодействия и адаптивности. Эксперименты проверили различные многоагентные архитектуры и семейства больших языковых моделей. Исследование показало, что многоагентные системы сталкиваются с компромиссами, связанными с использованием инструментов, базовой производительностью и распространением ошибок. Были предоставлены конкретные рекомендации о том, когда многоагентные системы полезны. Предприятиям следует уделять приоритетное внимание одноагентным бенчмаркам и учитывать последовательный характер задач. Важно тщательно учитывать использование API и выбор топологии. Текущий размер команд ограничен накладными расходами на связь. Будущие исследования подчеркивают необходимость скудной, иерархической, асинхронной и осведомленной о возможностях координации.