By Unbug 
Google Research 的论文 《Towards a Science of Scaling Agent Systems: When and Why Agent Systems Work》 对 180 种智能体配置进行了受控评估，揭示了一个反直觉事实：多智能体协作并非普遍有效。在顺序推理任务上，所有多智能体变体均导致 39% 至 70% 的性能下降，而非提升。
180 组实验的核心发现
以往研究往往隐含一个假设：增加智能体数量或改进协作方式总能提升性能。Google 团队的实验直接挑战了这一假设。
任务依赖性的量化证据
实验在不同任务类型上表现出截然不同的结果：
可并行任务。在金融推理等可并行分解的任务中，集中式协调架构将性能提升了 80.9%。这类任务的特点是子任务之间独立性高，协调成本低于并行处理带来的效率增益。
动态网页导航。在需要实时感知环境变化的导航任务中，去中心化协调架构优于集中式架构，性能提升幅度为 9.2%，而集中式仅提升 0.2%。动态环境中的信息延迟是集中式架构的致命弱点。
顺序推理任务。这是最引人注目的发现：在需要逐步推理的任务上，所有测试的多智能体变体均导致 39% 至 70% 的性能下降。论文将其描述为”性能悬崖”——不是稍差一点，而是断崖式下跌。这一结果与第 48 篇（Planner Matters）的结论形成呼应：当规划能力不足时，增加执行者数量无法弥补根本缺陷。
架构-任务对齐优于智能体数量
实验数据表明，在控制其他变量的情况下，架构-任务对齐的贡献远大于智能体数量的增加。
论文引入的预测模型能够以 87% 的准确率识别未见任务的最优架构类型，基于子任务可并行度、环境动态性、推理链长度三个可量化特征。
这一结论与第 49 篇的公平对比框架形成逻辑递进：第 49 篇证明同等 token 预算下单智能体更优，本文进一步回答多智能体超越单智能体的条件——任务具有高度可并行性且协调开销可控。
预测模型与选型指南
基于 180 组实验的数据，论文提出了一个架构选型决策框架。该框架通过三个维度评估任务特征：
- 子任务可并行度：衡量任务可分解为独立子任务的程度，范围从 0（完全串行）到 1（完全并行）
- 环境动态性：衡量任务执行过程中环境状态变化的频率和幅度
- 推理链长度：衡量任务所需的推理步骤数量
当子任务可并行度高于 0.7 且环境动态性低于阈值时，集中式多智能体架构最优；当环境动态性较高时，去中心化架构更合适；当推理链长度较长且可并行度低于 0.3 时，单智能体架构应作为默认选择。
