任务拆解的代价：从“产出率”到“可信度”的根本性重构
拆解悖论：当“效率”背叛“真实”
在当前的大模型代理（LMA）工程范式中，任务拆解几乎被视为必然的最优解。无论是研究人员还是产品经理，普遍认为将一个复杂的、上下文窗口有限的大任务，拆解为若干个适度规模的子任务，再由多个专门的代理并行或串行处理，是提升整体性能的唯一路径。这种思路源于对“小上下文”、“并行处理”和“模块化设计”美德的崇拜。然而，一篇题为《Decomposition Buys Integrity, Not Yield》的最新研究打破了这一常识，它揭示了拆解背后隐藏的代价：它购买的是完整性的丢失，而非产出的增长。
研究者并非仅停留在理论推演，他们构建了一个树状代理模型，其中每个代理在接收到 $b$ 个任务项时，仅保留其中任意一项的概率为 $r(b)$。通过数学推导，当 $r(b) = 1/b$ 时，无论任务树的形状如何，最终传递到根节点的“发现”永远只有一个。为了验证这一极端情况的普适性，研究团队在20,000个随机生成的非规则树上进行了模拟，结果证实了模型预测，误差控制在 $2.4 \times 10^{-15}$ 的量级。这意味着，在某些理想化的随机拆解模型中，拆解的过程实际上是一个信息的“瓶颈”，它并不增加最终能够汇聚到根节点的有效信息量，反而通过概率筛选，丢弃了大部分细节。
架构与参数的博弈：δ 的不可逾越门槛
更为现实的情况是，当保留概率服从 $r(b) = Cb^{-δ}$ 时，任务规模 $N$ 和架构因子 $C$ 将决定最终的产出比例。推导显示，深度为 $k$ 的树状结构在 $N$ 个原始发现中，最终能汇聚的产出将是 $C^k N^{1-δ}$。这里暴露了一个残酷的真相：架构因子 $C$ 每一层都贡献不超过 1，这意味着无论如何精心设计代理间的交互机制，都无法逃脱指数级的 $δ$ 损耗。任务的规模和树的形状可以分离，但完整性的损耗是由 $δ$ 决定的固有属性。
为了验证这一理论，研究者拿出了600条来自真实“深度研究”工作流的轨迹进行分析。结果显示，在实际生产环境中，$δ$ 的值为 $0.34$（置信区间 $[0.30, 0.38]$），且这一数值由三种互不相同的识别机制共同确认，这排除了单一故障模型的干扰。这意味着，在真实的AI代理系统中，约有三分之一的信息在拆解传递过程中不可避免地会丢失。无论如何优化架构，都无法突破这一由数据决定的物理限制。
工具边界的噪音与对齐的缺失
研究进一步探究了任务项边界的来源。当任务项的划分来自于工具输出而非文本启发式判断时，情况会变得更加复杂。在一个特定的数据采样点上，当单次任务项 $b=1$ 出现 550 次时，观测到的保留因子 $C$ 为 $0.571$（置信区间 $[0.527, 0.615]$），这与理论外推值有显著偏差。这暴露了一个关键问题：当拆解依赖于外部工具的粗粒度输出时，任务项的边界往往不够精细，导致了大量“无用”或“冗余”信息的流入，进一步降低了有效信息的密度。
此外，拆解过程还伴随着“对齐成本”。在 1,012 条标注的多代理轨迹中，每六条轨迹中就有一条会“偏离目标”，即产生偏题或无效输出。这被量化为一个对齐系数 $μ = 0.939$，每一层代理的有效产出因此被进一步乘以 $Cμ = 0.536$。这意味着，每增加一层代理，不仅要承担信息丢失的 $δ$ 成本，还要额外支付近一半的“对齐税”。这种对齐的难度，使得在实际工程实践中，层层递进的拆解成本呈指数级上升。
深度的双刃剑：州的丢失与成本的节省
文章还从“状态持久性”和“计算成本”两个维度重新审视了深度这一概念。根节点上下文是系统中唯一的持久状态，也是唯一无法“廉价遗忘”的部分。拆解带来的深度增加，实际上是将原本 $N$ 个项的暴露范围，压缩为了 $N^{1/k}$ 的规模。从这个角度看，拆解确实减少了根节点需要处理的原始数据量，这在一定程度上缓解了上下文窗口的压力。
然而，在成本维度上，拆解展现出了另一面。生产环境中的扁平代理（Flat agents）的计费模型为 $N^{1.39}$，而传统的“仅追加上下文”模型预测的成本则高达 $N^2$。这意味着，相较于盲目堆砌上下文，拆解在计算成本上确实节省了约六成的资源。更重要的是，在相同的预算消耗下，只有当发现项数量达到 403 个时，两层的分层结构才能战胜扁平结构。这揭示了一个有趣的临界点：对于中小规模任务，直接使用扁平架构往往比精心设计的多代理树结构更具性价比。
被低估的“委托”概率
或许最令人意外的数据点在于，研究者测量了在各种参数条件下，有多少生产会话实际上是值得委托（即通过拆解）的。根据测量，模型预测只有 0.7% 到 11.3% 的会话值得通过拆解来处理。然而，现实数据显示，实际有 7.8% 的会话被实际执行了委托。这表明，工程师们普遍存在一种“过度拆解”的倾向，即在很多不需要拆解的任务上也进行了不必要的架构复杂化。这种“委托溢出”可能是当前AI代理系统效率低下的一个重要原因。
委托的本质：开场白而非填空游戏
研究最后通过一个风险模型，基于 743,819 个真实的工具调用数据进行验证。模型发现，委托的触发并不取决于上下文的“装满程度”，即不存在“上下文填满了才开始拆解”的情况。相反，委托更像是一个“开场白”：在任务刚开始时，系统就倾向于决定是否进行拆解。这种“开场白”特性意味着，拆解决策的发生时间点固定，与任务后续的上下文积累无关。这对于工程实践具有重要启示：与其在任务进行中动态决定是否拆解，不如在任务启动初期就根据任务类型和复杂度预先确定拆解策略。
结语：重新审视拆解的艺术
综上所述，这项研究并非要否定多智能体系统的价值，而是希望在拆解的浪潮中保持清醒。拆解确实在计算成本上提供了优势，它能有效压缩根节点的上下文负担。然而，它带来的完整性损耗、对齐成本以及固有的 $δ$ 损耗，构成了一个不可忽视的“完整性税”。在任务规模较小或对完整性要求较高的场景下，扁平化的单代理或少代理架构可能是更优的选择。未来的AI代理工程，或许应当从“默认拆解”的思维转向“有目的的拆解”，只有在预期收益大于完整性成本时，才敢于动用这把双刃剑。