三个和尚有水喝吗：AI 组队的科学

你手下有一个 AI，任务很简单：在游戏里合成一面石墙。它需要三步——查配方、搬材料、合成。一步接一步，不能颠倒。

一个人干当然可以。但你是经理，经理的本能是：多派几个帮手，稳妥一点——反正 AI 又不要工资，没什么大不了吧？点下面的按钮，给团队加人，一人是单干，多于一人时自动配一位队长来分工：

看到成功率那根柱子了吗？每加一个人，它就矮一截：一个人 56.8%，四个人只剩 28.2%——整整跌掉一半。再看对话轮数：从 5 轮涨到 36 轮。查配方只要一秒，团队却开了三十多轮会来讨论谁去查。你刚才做的事——「保险起见多派几个」——正是现在无数产品每天在生产环境里做的事。

然而，先别急着裁员。换一个任务，同一套团队，剧情会完全反过来。

新任务：判断一家公司值不值得投。要看三摊东西——监管新闻、财报文件、运营数据。三摊互不依赖，谁先谁后都行。

还是那套按钮，还是那位队长，再加一次人试试：

这次成功率一路上扬：34.9% → 63.1%，提升 80.8%。对话轮数照样暴涨，但这回每一轮都花得值——三个人各查一摊，谁也不用等谁，队长最后把三份发现交叉核对。同一个动作「加人」，上一节是灾难，这一节是神药。

这正是这篇论文要回答的问题。作者把 5 种组队方式 × 6 类任务 × 9 个模型，总共 260 种组合，全部拉出来控制变量实测——统一工具、统一提示词、统一思考预算，只让「组队结构」一个东西变。全景是这样的：

注意两件事。第一，六条横条横跨 0 线两侧，从 −70% 到 +80.8%——组队不是普遍的好或坏。第二，把 260 种配置平均一下，组队的平均收益是 −0.3%，约等于零，但标准差高达 37.5%。平均数里没有故事，方差里才有：组队是一把双刃剑，而挥向哪边是有规律的。

要找到规律，得先把「组队」这个词拆开——人可以怎么个组法？

论文比较了五种经典结构，翻译成小组作业的语言就是：单干、各干各的（最后拼在一起交）、队长制（一人分工收作业）、圆桌会（人人讨论到吵出共识）、混合制（有队长，组员之间还开小会）。挨个点开看，注意右边两根条：它们是每种结构的「账单」——

看「沟通开销」那根红条：各干各的只多花 58% 的口舌，混合制的聊天记录是干活本身的 5 倍（515%）。再看绿条「每千 token 换来的成功」：单干 67.7，混合制只剩 13.6——同样的预算，效率差五倍。论文还量出了一条规律：对话轮数随人数按幂律爆炸，T = 2.72×(n+0.5)^1.724，拟合优度 R²=0.974。沟通不是免费的，而且它涨得比人数快。

然而账单只说了成本。为什么同样的成本，在财报任务上赚回来了，在合成石墙上血亏？答案不在团队身上，在任务身上。

先押个注。论文给每类任务算了一个「复杂度」分：合成石墙 0.419，财报分析 0.407——几乎一样难。可组队的结局一个天上一个地下。你觉得关键差别是什么？

看到差别了吗？可拆的任务里，三个人三条泳道，齐头并进，工时利用率 100%；串行的任务里，同一时刻只有一个人能干活，另外两个要么干等，要么去做「再核对一遍配方」这类不需要做的事——论文轨迹里的原话：Agent 1 查配方（冗余，查询本来一瞬间），Agent 2 盘点库存（冗余，库存本来可见），只有 Agent 3 在干正事。而且每一次交接棒，信息都可能掉在地上。决定组队成败的第一因素，不是任务多难，是任务能不能拆。复杂度 0.419 和 0.407 的两个任务，命运在「依赖结构」上分了岔。

然而可拆性还不是全部。回头看第二节的全景图：办公流程（Workbench）也可以拆，组队却几乎不赚（+5.6% 顶天）。它还差了什么？

再押一注：如果你的 AI 单干就已经能做对 60% 的任务，这时候加三个帮手，成绩会——

论文在 260 种配置里拟合出一个显著的交互项（β=−0.236，p=0.004），意思翻译过来扎心而简单：单干基线越高，组队收益越低，而且过了某个点会变成负数。那个点在哪？拖动滑块，移动你的单干基线：

那条分界线在 45% 左右：单干正确率低于 45%，组队大概率是赚的——一个人本来就干不动，人多至少能广撒网；高于 45%，协调成本开始吃掉本来就不多的提升空间，组队大概率是亏的。财报任务基线 34.9%，在线左边，+80.8%；合成石墙基线 56.8%，在线右边，−50.3%。你刚才押的 60%，稳稳落在亏损区。这是论文给出的第一条可以写进工程手册的定量分界线：0.45。在它之前，「要不要上多智能体」靠的是感觉。

然而还有最后一块拼图。全景图里最惨的 −70% 不是队长制干出来的，是「各干各的」——为什么恰恰是最省沟通费的结构，摔得最狠？

因为错误会传染。一个 agent 犯了错——查错一个数、幻觉出一个不存在的文件——这个错不会安静地待在原地，它会顺着消息流传给队友，队友基于它继续干活，错上加错。论文追踪了每条轨迹里错误被引用、被放大的次数。选一种结构，然后亲手往里注入一个错误，看它能传多远：

规律很清楚：有没有一个负责核对的人，是 4 倍和 17 倍的区别。队长制（4.4×）里，错误在汇总时会被队长的交叉核对拦下一部分；圆桌会（7.8×）靠互相辩论能纠一些，但共识也可能围着错误达成；「各干各的」（17.2×）最惨——没人对表，每个人的错误原封不动直接汇进最终答案。这就是它在串行任务上 −70% 的死因：既没有并行红利可赚，又没有验证者兜底。没有验证者的团队里，错误不是被平均掉的，是被放大的。

三块拼图到齐了：结构的账单（第三节）、任务的可拆性（第四节）、基线与纠错（第五、六节）。现在把它们拼成一台机器。

论文把这些因素拟合成一个预测模型：喂进任务性质和模型能力，吐出五种结构的预期成绩。它在从未见过的留出配置上，87% 的情况能选对最佳架构。下面是这台机器的教学版——三个旋钮就是你刚刚亲手验证过的三个因素。先点三个预设感受一下，再自由拧，完成右下角的三个挑战：

拧的时候留意几个瞬间：把基线推过 45%，五张卡会一张接一张由绿转红，单干登顶——这就是第五节那条线在工作；把任务掰成一条链，所有团队瞬间垮掉——第四节；把工具拉到 16 个，圆桌会反而爬上第一，因为工具越多、单点越容易漏，多人冗余交叉才兜得住——这是论文三个任务原型里最反直觉的一条。没有最好的架构，只有和任务对上的架构。

有，也没有——现在你可以给出比这诚实得多的答案：挑水这个任务是一条链，不可拆，单干基线又高，所以三个和尚注定没水喝；但如果任务是「找出全村哪口井没干」，三个和尚分头跑，回来交叉对口供，就是 +80.8% 的那一边。寓言只讲了一半，这篇论文把另一半量了出来。

回想你这一路亲手做过的事：你当经理把一个 56.8% 的团队加成了 28.2%，又在下一个任务里把 34.9% 加到了 63.1%；你翻过五种结构的账单，看到聊天记录可以是干活的五倍；你把三个人派进链条，看着两个人空转；你拖着基线撞上 0.45 那条线；你注入的那个错误，在没有验证者的团队里放大了 17 倍。这五个数字拼出的是同一句话：给 agent 加人不是规模化，让结构对齐任务才是。

2020 年，Kaplan 的规模法则告诉行业「模型的能力随算力可预测地增长」，四年后它成了每个实验室的本能。这篇论文想为 agent 时代写下同样的第一页——只是这次的自变量不是算力，是协作结构。第一页往往粗糙（作者自己承认 R² 只有 0.373），但它把「多智能体好不好」从信仰之争变成了可以测量、可以预测、可以查表的工程问题。下一次有人在会上说「我们上多智能体吧」，你可以问三个问题：任务可拆吗？单干基线过 0.45 了吗？谁当验证者？