多智能体组队不是万金油：任务结构决定加人有没有用
源论文：Multi-agent Scaling Across Disjunctive and Compensatory Tasks（arXiv:2609.31563，2026-09-25）
昨天聊了「多智能体小组被带偏，取决于骗子占比」。今天这篇接着问：没有骗子、大家都在好好干活，加人到底有没有用？ 答案比想象中冷：看任务结构。而机制比结论更反直觉。
半个世纪前的框架，今天正好用上
论文的中央贡献是把 Steiner 1972 年的群体任务分类法搬进了多智能体研究。这个社会心理学的老框架把任务分成几类，其中和 LLM 智能体最相关的两类：
- 分离型任务（disjunctive）：团队成绩取决于「最强的那个成员能不能做对」。MMLU、GSM8K、MATH500 这类问答/解题基准全是分离型——只要有一个人答对，团队就对。
- 补偿型任务（compensatory）：团队成绩取决于「误差能不能互相抵消」。经典如费米估算——每个人估的数量都带噪声，取平均就能把误差消掉。
1907 年 Galton 的「猜牛体重」实验是补偿型的传奇（中位数误差 0.8%），而 Ringelmann 效应（拉绳子的人越多，人均出力越少）是它的反面。人类群体行为的百年研究早就发现：加人有没有用，先看任务类型。LLM 智能体绕了一圈，撞上了同一堵墙。
发现一：分离型任务上，潜力在涨，但投票接不住
团队规模扩大时，「至少有一个人答对」的概率（pass@N）确实在涨——涨 5 到 20 个百分点，这是加人的真实潜力。
但现实里没人用 pass@N，用的是多数投票。论文的数学模型预测（实验精确验证，误差 0.5 个点以内）：独立采样的一群智能体做多数投票，大团队极限是收敛到该模型的众数答案——它自己最常给的那个答案。换句话说，投票把分离型任务的加人红利丢得一干二净。30 个「同一个模型的采样」投票，不如认真跑一次。
那多轮讨论（智能体互相修订）呢？准确率确实涨不少，但坑在于：带 1 个同伴讨论和带 29 个，涨幅几乎一样。讨论的价值来自「有人给你提供你没想到的视角」，一个就够，剩下 28 个是陪跑。
发现二：补偿型任务上，加人几乎没用，原因是偏见共享
费米估算看起来是聚合的完美场景——人人都说「取平均啊」。但论文测出一个扎心的数：模型在单个题目上的偏见占了平方误差的 87%。也就是说，30 个采样虽然表面独立，实际上在同一道题上系统性偏向同一个方向——这种共享偏见，平均消不掉。实测平均只减了 6% 的误差。
个体偏见（噪声）可以被平均消除，题目级偏见（系统性偏差）不能。这是「群体智慧」在 LLM 身上失灵的机制级解释。
混合不同模型家族有帮助（不同模型偏见方向不同），但也只是在费米估算上有用——分离型任务上，异构团队显著超过成员平均水平，却仍然超不过最强成员。
实操结论：什么时候值得组队
综合这篇和昨天的欺骗者篇，多智能体的账现在可以算得很清楚：
| 场景 | 组队值不值 | 正确姿势 |
| 解题/问答（分离型） | ⚠️ 不值 | 单次认真跑 > 多数投票；要提准确率用「辩论式修订 1 对 1」而非大团队投票 |
| 数量估算（补偿型） | ⚠️ 基本不值 | 同模型采样平均只减 6% 误差；要聚合就混用不同家族模型 |
| 确实需要并行分工 | ✅ 值 | 任务的子部分真独立（如多文件并行改），才是组队的正当场景 |
这套判断在工程上可以直接落地：工作流设计时先问「这个任务是分离型还是补偿型」——分离型把预算花在更好的单次执行（更高档模型+多轮修订），补偿型把预算花在模型多样性而非采样数量。BuddyMe 的专家团模式对应的就是第三行：真正可分解的并行任务才组队，其余场景单智能体+工作流反而更省 token。每天免费 4500 万 Token 的额度，也经得起这样「先想清楚再组队」的试错。
（BuddyMe 每日免费 4500 万 Token）