Исследователи проанализировали эффективность мультиагентных систем (MAS) по сравнению с одиночными агентами (SAS) через призму теории информационного горлышка. Авторы работы установили, что одиночные модели при решении сложных задач склонны к накоплению избыточной информации, что снижает точность, тогда как разделение ролей между агентами позволяет фильтровать шум и концентрироваться на релевантных данных для достижения результата.
Основная проблема одиночных систем заключается в ограниченной способности эффективно сжимать контекст при выполнении многоэтапных задач. В таких условиях модель вынуждена обрабатывать весь поток данных, что приводит к потере фокуса. Мультиагентный подход, напротив, распределяет когнитивную нагрузку, позволяя каждому узлу системы выступать в роли специализированного фильтра, который отсекает нерелевантные признаки на каждом этапе обработки.
Исследование показывает, что преимущество MAS проявляется не во всех сценариях, а лишь там, где задача требует сложной декомпозиции и фильтрации данных. В простых задачах накладные расходы на коммуникацию между агентами могут перевешивать выгоду от повышения точности. Авторы предлагают математическую модель, позволяющую оценить целесообразность перехода к многоагентной архитектуре в зависимости от сложности входного потока и требуемой глубины рассуждений.
Ключевые факты
- Исследование базируется на применении теории информационного горлышка (Information Bottleneck) для анализа архитектур LLM.
- Установлено, что одиночные агенты (SAS) страдают от избыточности контекста, что ведет к снижению производительности в задачах с высоким уровнем шума.
- Мультиагентные системы (MAS) работают как фильтры, оптимизируя передачу информации между этапами решения задачи.
- Эффективность MAS напрямую зависит от способности системы эффективно разделять задачи на подзадачи с минимальной потерей полезного сигнала.
- Работа опубликована на платформе arXiv и предлагает критерии для выбора между монолитной и агентной архитектурой.