arXiv cs.AI· Subhrangshu Nandi, Hitesh Arora, Yunfei Bai, Udita Patel, Chirag Shah, Hannah Kwon, Wei Zhang, Weian Chen, Chloe Ruoqi Li, Alberto Sconfienza, Ayush Goyal, Yasmine Lee, Ming Xiong, Prathap Ramachandra·· 2 小时前精选AI 评分60
arXiv 论文：企业 SOP 场景下四种 LLM Agent 架构的成本与成功率权衡
Agent Architecture Cost-Success Trade-offs: A Controlled Evaluation across Enterprise-Style SOPs
AI 导读
arXiv 论文 2611.12953 在固定模型、任务与工具的条件下，比较函数调用单智能体、技能增强智能体、中心化多智能体编排和 triage swarm 四种架构（八组臂）在 13 个企业 SOP 上的表现。
推荐理由
论文在固定模型与工具的受控条件下比较四种智能体架构，给出成本与成功率的量化证据，可用于企业选型参考。
正文 · AI 翻译
作者：Subhrangshu Nandi、Hitesh Arora、Yunfei Bai、Udita Patel、Chirag Shah、Hannah Kwon、Wei Zhang、Weian Chen、Chloe Ruoqi Li、Alberto Sconfienza、Ayush Goyal、Yasmine Lee、Ming Xiong、Prathap Ramachandra
摘要：企业越来越多地使用大语言模型代理来执行标准作业程序（SOP）：即冗长、多分支、依赖大量工具的工作流。然而，对于如何在相互竞争的代理架构之间做出选择，几乎没有受控证据支持。在固定模型、任务和工具、仅改变架构的条件下，我们在 13 个企业 SOP 上比较了四种设计（函数调用单代理、技能增强代理、集中式多代理编排和分诊蜂群；共八个分支），并引入了一个技能定义质量评分标准，以构建质量匹配的高低质量技能语料库。我们得出三点结论。(1)~\textbf{不存在普遍最优的架构；正确的选择取决于具体 SOP。}在同一 SOP 上，任务成功率从最难情形的不足 $10\%$ 到最易情形的接近 $100\%$ 不等；从统计上看，没有任何架构在总体上可与其他架构区分开，额外结构只可能仅在复杂、多分支的 SOP 上带来回报（一个方向性但尚不显著的趋势）。(2)~\textbf{额外的架构成本必须由任务成功率的提升来证明其合理性。}每个协同分支（多代理或技能增强）消耗的 token 是单代理的 $1.4$--$4.7$ 倍，延迟是单代理的 $2.6$--$5.8$ 倍，而收益通常很小且很少显著，这使得单代理成为高效的默认选择；高质量技能确实能提升成功率（从 $67.4\%$ 提升至 $73.1\%$），而降级技能则低于该水平。(3)~\textbf{实现质量比单代理与多代理之争更重要。}一个看似合理的多代理实现输给了单代理，但对其进行针对性的重新设计后，它成为唯一显著优于基线的分支（$75.6\%$ 对 $67.4\%$）。
| 学科分类： | 人工智能 (cs.AI) |
| 引用方式： | arXiv:2611.12953 [cs.AI] |
| （本版本为 arXiv:2611.12953v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2611.12953 arXiv 生成的 DOI 经由 DataCite 提供 |
提交历史
来自：Hitesh Arora [查看邮件]
[v1]
2026 年 11 月 7 日 星期六 05:12:41 UTC（1,600 KB）
来源：arXiv cs.AI · arxiv.org