Multi-Agent的Scaling Law

我们已经从"把 prompt 写得更聪明"的时代，走入了让模型自己规划、调用工具、执行多步任务的 Agent 时代。但当任务的复杂度继续往上走，问题的重点将从单个 Agent 的能力转移到怎么让多个 Agent 协作。

本文想讨论一个问题：如何判断 Multi-Agent 的必要性和价值？ 并由此展开，探讨 Multi-Agent 背后的 Scaling Law。

要回答这个问题，不妨先类比人类团队：什么时候该找第二个人帮忙？

答案是：只有当任务的工作量超过单人的吞吐能力，或者任务需要不同的专业背景，才值得搭团队、定分工。否则拉人进来的沟通和对齐成本，比自己干完还高。

Agent 同理。一个简单的任务，单 Agent 就足够了。但是对于一个端到端项目——需求拆解、架构设计、代码实现、测试、文档——就可能需要多 Agent 各司其职。

这个直觉可以凝练成一个公式：

\[N_{\text{agent}} \times T_{\text{agent}} \times C_{\text{agent}} = k \times N_{\text{human}} \times T_{\text{human}} \times C_{\text{human}} \]

其中 \(N_{\text{agent}}\) 和 \(T_{\text{agent}}\) 分别表示需要的 Agent 数量与每个 Agent 的平均工作时间，\(C_{\text{agent}}\) 是 Agent 的平均运行成本；\(N_{\text{human}}\) 和 \(T_{\text{human}}\) 则是完成同一任务所需的人数与人均工作时间，\(C_{\text{human}}\) 是人均成本；\(k\) 是一个衡量 Agent 与人类工作成本的效率系数。

因此上述公式提供了一个评估 Multi-Agent 必要性和效率的思考框架：右边的 \(N_{\text{human}} \times T_{\text{human}}\) 决定了任务能支撑多大的 Multi-Agent 团队规模，效率系数 \(k\) 则决定了完成同等任务时 Multi-Agent 相对于人类团队的成本收益。前者定义了 Multi-Agent 的必要性的问题，而后者则定义了 Multi-Agent 的价值所在。