三個 AI 勁過一個？Nature 研究：Multi-Agent 有時反而仲差

※ 本文由 AI 根據影片內容整理，如有錯漏敬請指正。
📺 觀看完整影片：[三個 AI 勁過一個？Nature 研究：Multi-Agent 有時反而仲差]

---

如果你試過設計 AI agent 的工作流程，大概遇過這種情況：頭一兩步做得相當好，一做久就開始亂。網上不少教學會叫你不要只用一個 agent，而是建立一個 multi-agent workflow——一個負責搜尋資料、一個負責分析、一個負責 fact check，最後再由一個 agent 整合。聽起來像一支各司其職的團隊。

但真的建好之後，你可能發現沒想像中理想。第一個 agent 做完的東西，第二個好像完全不明白；一個改了計劃，另一個還在用舊版本；幾個 agent 討論了很多輪，燒了大量 token，最後原地踏步。

本集《學識AI》，拆解 2026 年《Nature》一篇研究論文《Capable Language Models Can Outgrow the Benefits of Collaboration》，回答一個工程上很實際的問題：究竟什麼時候該用多個 AI 分工，什麼時候一個 AI 自己做反而更好。

研究怎樣做到公平比較
研究要先解決一個問題：如果多 agent 只是因為用多幾倍 token 和運算資源而贏，那證明不到「合作」本身有用。所以這次研究盡量控制其他因素，讓單一 agent 與 multi-agent 處理相同任務、使用相同工具，可用的資源亦盡量相若。真正要問的是：同一筆資源，集中給一個 AI，還是分給一隊 AI，哪樣更有效？

研究比較五種架構：單一 agent；independent multi-agent（各自做、基本上不交流）；centralized（由一個 orchestrator 分工再整合）；decentralized（沒有中央主管，互相直接協調）；以及 hybrid（有中央 orchestrator，下面 agent 又可互相溝通）。

這五種架構放在六類 agentic benchmark 上測試，包括上網搜尋資料、金融分析、類似 Minecraft 的遊戲規劃任務、模擬真實職場工作、修復軟件問題，以及操作電腦 terminal 命令。模型涵蓋 OpenAI、Google 和 Anthropic 三個主流家族，總共 260 個受控配置。

一邊升八成，另一邊跌七成
最搶眼的結果來自兩個 benchmark 的對比。

在金融分析的測試中，AI 要研究公司新聞、監管資料、SEC filing 和財務數字，再分析營運和市場影響。單一 agent 的平均準確度是 34.9%，centralized multi-agent 大幅提升到 63.1%，改善超過八成；另外兩種會互相協調的架構也提升超過七成。

但 PlanCraft 的結果完全倒轉。那是一個讓 AI 自行規劃的遊戲測試，形式有點像 Minecraft，AI 要根據目前資源、recipe 和環境狀態一步步完成目標。在這裡，四種 multi-agent 架構全部不如單一 agent：原本準確度 56.8%，最好的 multi-agent 跌至 34.6%，最差的 independent multi-agent 更跌至 17%，下降七成。

把六個 benchmark 平均起來，multi-agent 相對單一 agent 的平均改善率剛好是 0%，即是打和。這個 0% 不是說 multi-agent 沒用，而是說結果極度依賴你在做什麼工作。

真正的關鍵：工作拆不拆得開
第一個答案是：工作本身能否自然拆成幾個相對獨立的部分。

金融分析很適合分工，因為新聞、監管、財務、營運幾條資料線可以同時探索，不需要等一條做完才開始另一條。這正是 multi-agent 帶來、單一 agent 難以做到的好處——parallel exploration，平行探索。

PlanCraft 剛好相反。第二步要知道第一步完成後的最新狀態，第三步又依賴第二步，前後高度互相依賴。這類工作叫做 sequential interdependence。硬要拆給幾個 agent，大家反而要不停互相交代進度。

研究還發現，金融分析和 PlanCraft 兩者的整體難度其實差不多。所以真正影響結果的不是「有多難」，而是「難的部分能不能分開做」。

拆開之後要付的三個代價

資訊碎片化。 單一 agent 由頭做到尾，所有歷史、工具結果、失敗嘗試都留在同一條 context stream 裡。一個 agent 要把工作交給另一個，就要將自己知道的濃縮成一段 message，而一濃縮就可能遺失資訊。

溝通成本。 研究計算過每種架構要經歷多少推理和溝通步驟：單一 agent 平均約七步，最複雜的 hybrid multi-agent 約 44 步，多了六倍左右。但多做六倍步驟，成績並沒有相應提升——開多了會，事情卻沒有好多少。

錯誤傳染。 若 agent A 一開始理解錯，而 agent B 沒有重新看原始資料，只接住 A 的答案繼續做，錯誤就會一路傳下去。研究發現有中央主管的架構較能控制這個問題，因為下面 agent 做完後不是直接當成真，而是先回到中央 agent 整合和檢查。換句話說，所有重要結果都應該經過一個看得緊的驗證關口。

45% 這條參考線
研究還發現一個更有預測力的指標：同一件工作，multi-agent 有沒有幫助，最相關的是「單一 agent 本身已經做得多好」。

從今次數據估算，大約有一條 45% 的經驗性分界。在他們測試的任務中，如果單一 agent 的成功率已高過這個水平，改用 multi-agent 就比較可能沒有改善甚至變差；低過這個水平，改善機會則會提高。

不過作者自己說得很清楚：45% 千萬不要當成定律，那只是今次研究得出的一條實用參考線。真正值得記住的是背後的方向——一個 AI 本身越勝任這件工作，多 agent 能提供的新增價值通常就越少。這正是論文標題的意思。

不要為了 Multi-Agent 而 Multi-Agent
回到開場那個經驗。如果你的 multi-agent workflow 怎樣調整都做不好，這篇研究可能是在告訴你：未必是你設計得不好，而是這件工作根本不適合這樣分工。

工作能真正分成幾條獨立路線，多個 agent 同時處理更多資訊，效果可以非常好。但如果前後步驟緊密相連，而一個 agent 本身已經做得不錯，再加角色可能只是增加交接、溝通和混亂。

所以在拆成幾個 AI 之前，或許可以先問三個問題：這件工作真的拆得開嗎？每個 agent 真的會帶來不同資訊嗎？最後有沒有真正的驗證關口？如果答案不夠肯定，先試試用一個更有能力的 AI、給原本那個 agent 更完整的資料、更好的工具和更充足的 context，可能才是更直接的路。