By Unbug 斯坦福大学的论文《Single-Agent LLMs Outperform Multi-Agent Systems on Multi-Hop Reasoning Tasks》对当前火热的多Agent系统提出了一个尖锐挑战：当计算量归一化后，单Agent系统（SAS）的表现可以匹敌甚至超越多Agent系统（MAS）。
论文作者用信息论中的数据处理不等式论证了多Agent范式的理论局限，并用严格控制token预算的对比实验证明，此前报道的架构增益主要来自计算量差异。
多Agent范式的计算混淆
近年多Agent系统（MAS）被广泛报道在推理任务上表现出色。但论文指出这些结果往往存在一个关键混淆因素：测试时计算量的大幅增加。MAS通过多个Agent协作自然增加了token数量，这使得公平对比变得困难，也让人难以判断性能提升究竟来自架构还是算力。
论文的核心论证基于数据处理不等式（Data Processing Inequality, DPI）。该不等式是信息论的基础结果之一，表明在链式处理中，每个Agent的输出是输入的函数，链式处理不增加互信息，即 I(X;Z) ≤ I(X;Y)。多Agent系统的信息流可以视为链式处理，理论上不应超越同等计算量的单Agent系统。
这一论证直接挑战了多Agent范式的理论基础。如果多Agent系统的所有输出都依赖于单轮的初始输入，那么无论中间经过多少Agent的处理，其信息获取的上限永远不会超过初始输入所包含的信息量。
实验发现与理论边界
论文在多跳推理任务上进行了系统性对比。实验设计的关键在于严格控制计算量，把 MAS 的总 token 数与 SAS 限制在相同的预算范围内。结果如下：
- 计算量归一化后，单Agent系统匹敌多Agent系统的表现
- 在某些任务上，单Agent甚至优于多Agent
- 多Agent的增益主要源于 token 数量的增加，而非架构本身
这一发现对 AI 工程实践有直接指导意义。当前大量研究和产品投入多Agent框架，但如果核心目标是推理能力而非功能组合，单Agent架构在同等资源下往往更具性价比。同类话题可参考站内轨迹级奖励建模基准一文，讨论的同样是如何为Agent能力建立公平的度量方式。
对工程实践的启示
论文对工程实践提供了三条核心启示。第一，不要盲目追求多Agent架构，在计算量预算固定时单Agent可能更高效。第二，上下文窗口的扩展是比拆分角色更直接的性能提升路径。第三，多Agent的价值应聚焦于功能模块化，而非推理增强。
这一结论的理论贡献在于首次用信息论方法系统分析了单Agent与多Agent的理论边界。论文揭示了当前比较评估方法中的系统性偏差——将token数量差异误认为架构增益。对研究社区而言，这一论证提醒从业者在评估AI系统架构时，需要更加关注归一化后的公平对比，避免把算力差异误读为架构进步。
一分钟读论文：《大模型时代的奖励黑客》