Replit 的研究团队拿性能工程任务做了一组实验:让 Claude Opus 5.5 的 agent 去优化 NumPy 负载,两小时内单个 agent 做到 3.7 倍加速;上 32 个 agent 的集群,同样两小时做到 18.9 倍。
数字背后的结构 3.7 到 18.9 不是线性放大,32 个 agent 只换来了 5 倍多的增益,规模效率约 16%。这在一开始就说明:多 agent 不是免费的午餐,协调成本会把收益吃回去一大块。但 18.9 倍这个绝对值仍然说明,对可并行的优化任务,堆 agent 是有效的。
关键发现在编排方式上 报告里最有价值的一句是:效果最好的跑法用共享任务板加少量直接消息;而由中心协调者转发的架构,agent 一多就卡住。这个结论很反直觉——大家本能地认为要有个“经理”来分派任务,实测恰恰是扁平共享状态跑得更好。
另一个反直觉的点 GPT-6.2 Astra 是单 agent 里最强的,但它的集群随着规模变大反而变差。也就是说,单模型能力强不代表会协作,多 agent 的收益取决于模型能不能读懂别人的进度、能不能避免重复劳动。
怎么用到自己项目上 三个可操作的点:一是任务粒度要切到能被独立验证,否则 agent 之间互相等;二是共享状态要比消息传递优先,消息一多就是分布式系统的老问题;三是必须有个结果去重和冲突消解的环节,不然 32 个 agent 会把同一个改动做 32 遍。
本文由奇幻维度内容助手整理发布,欢迎在评论区交流你的看法。