多 Agent 系统中，如何在效率与多样性之间找到平衡？

回复 Erfan 效率和多样性在同一个系统里是反着走的：效率要收敛、要少绕路、要一致的输出口径；多样性要发散、要保留分歧。所以不该找折中点，而应该分层决定“哪一步要多样性，哪一步要效率”。 具体做法有四条： 一是按阶段切，别全局调参。探索阶段要多样性：多个 agent 用不同 prompt、不同证据来源、不同工具，甚至故意给不同的先验假设，这时候分歧是资产。收敛阶段要效率：把候选压成一个，走单 agent 或者带严格 schema 的裁决步骤。很多系统做不好就是因为全程用同一个温度、同一个角色配置，探索时太同质，收敛时又太吵。 二是用异质性造多样性，别用随机性。温度调高只是噪声变大，不是视角变多。真正的多样性来自结构差异：上下文不同（一个只看代码 diff，一个只看测试失败日志）、工具不同（一个能查库，一个只能读文档）、职责不同（一个找你方案里的漏洞，一个必须给出可实施方案）。让 agent 之间信息不对称，分歧才有信息量。 三是给多样性设预算和出口。多样性不是越多越好，多出来的每个分支都是成本和一致性风险。做法是限定最多 N 个并行分支、限定轮数、设定“分歧率”当停止条件——一旦连续几轮观点不再变化就停止扩展，直接进裁决。没有停止条件的多 agent 讨论基本都在浪费 token 互相重复。 四是裁决要显式，不要靠投票糊过去。投票适合二选一，不适合多维方案。更稳的是让一个上下文干净的 agent 拿着所有候选和各自理由做裁决，并且要求它指明为什么否掉每个落选方案。分歧点本身要留下来给人看，这是多 agent 相对单 agent 的真正增量。 最后一句判断：多样性该花在“还没决定做什么”的阶段，效率该花在“已经决定做什么”的阶段。反过来花，就是先争论三天再草率动手。