🚀 Towards a Science of Scaling Agent Systems, когда и почему агентные системы работают Google Research сделали важный шаг к научному пониманию того, как правильно масштабировать AI-агентов, а не просто добавлять их “на глаз”. Речь о системах, где LLM-агенты не только отвечают, а планируют, рассуждают и выполняют действия во внешней среде. Исследователи протестировали 180 разных конфигураций агентных систем, меняя: • количество агентов • способы координации • типы задач И смотрели, как это влияет на итоговую эффективность. Главные выводы Больше агентов - не всегда лучше Добавление агентов помогает, когда задачу можно распараллелить. Но в задачах с последовательной логикой это может даже ухудшить результат. Совместная работа агентов полезна для сложных аналитических задач, но коммуникация между ними создаёт накладные расходы. Централизованный контроль часто эффективнее Архитектуры с координатором могут давать лучший баланс между качеством решений и устойчивостью к ошибкам, чем полностью независимые агенты. Авторы показали, что можно заранее оценивать, какая архитектура агентной системы подойдёт для конкретного типа задач. До этого multi-agent AI проектировали в основном на интуиции. Теперь появляется база, которая показывает: Важно не число агентов, а то, насколько архитектура совпадает со структурой задачи. Это шаг от “экспериментов на удачу” к настоящей инженерной науке об агентных системах. https://research.google/blog/towards-a-science-of-scaling-agent-systems-when-and-why-agent-systems-work/