技术摘要：何时进行委派？面向个人超级智能体的受限智能体团队测量研究

1. 问题定义

本文探讨了个人超级智能体（Personal Super Agents）的设计——即代表单个用户运行、协调工具、数据源和语言模型的持久化软件组织。虽然主流的工程模式是智能体团队（Agent Team）（由一个路由者 Router 编排多个专业化的执行者 Worker），但在以具有副作用工具、跨轮次引用以及必须进行拒绝以确保安全性的个人场景下，这种协调开销是否合理尚不明确。

核心研究问题是：将个人超级智能体组织为受限的“路由者-执行者”团队，其带来的成功率提升是否足以抵消其延迟、Token 消耗和协调成本？

本研究关注的工作负载特征如下：

• 落地性（Grounding）： 事实必须来自工具或记忆，而非模型先验知识。
• 问责制（Accountability）： 每一项声称的操作都必须有证据支持（工具结果或报告）。
• 单一声音（Single Voice）： 用户与一个连贯的助手交互，而非内部智能体对话记录。
• 安全性（Safety）： 不安全请求必须被拒绝；变更操作不得重复执行。

2. 研究方法

2.1 受限委派协议

作者形式化了一种具有特定不变性的**受限委派（Bounded Delegation）**运行时协议：

• 路由者（Router）： 唯一与用户交谈的智能体。它向执行者分发自包含的契约（Contracts）（包括目标、上下文、验收标准、报告模式）。
• 执行者（Workers）： 任务范围内的智能体，具有明确的步骤和工具预算。它们不能进一步委派，且必须以类型化报告终止。
• 机制：
  • 幂等账本（Idempotency Ledger）： 通过对参数进行规范化处理并缓存进行中的承诺，防止在单轮对话中对变更型工具产生重复的副作用。
  • 承诺守卫（Commitment Guards）： 拒绝那些声称完成操作但缺乏支持性工具结果或执行者报告的回复。
  • 受限上下文（Bounded Context）： 限制历史记录的可视性，以防止上下文膨胀。

2.2 系统与基准测试

• Eva 系统： 一个使用 Node.js 实现的真实 22 工具车载智能体，使用生产级模型 (deepseek-v4.1-flash-1017)。其功能涵盖车辆控制、行程规划、服务预订、提醒事项和记忆。
• Eva-Bench： 一个包含 10 个类别（车辆、行程、服务、提醒、知识、个人资料、多意图、长多意图、跨轮次、安全）的 80 项任务基准。任务通过基于规则的预言机（Rule-based Oracles）（对工具调用和最终文本进行确定性检查）进行评分，从而消除了 LLM 评判者的噪声。

2.3 实验设计

本研究使用相同的模型和工具对比了三种组织架构：

1. 单体 ReAct（Monolithic ReAct）： 单个智能体循环，带有 12 步预算。
2. 受限团队（Bounded Team）： 一个路由者（4 步）+ 执行者（每个 6 步）。
3. 无界团队（Unbounded Team）： 与上述相同，但执行者的预算更大（12 步）。

消融实验与变体：

• 重复试验（对完整的 80 项任务套件进行 3 次运行）以测量方差。
• 机制消融（守卫、账本、推理模式、并发性）。
• 故障注入（瞬时工具失败）。
• 温度敏感性： 进行后验运行并匹配温度（所有角色均为 0.2），以隔离温度效应。
• 选择性委派（Selective Delegation）： 一种基于特征的策略，将特定请求（服务交易、跨轮次引用）路由至团队，而将其余请求路由至单体智能体。

3. 关键结果

3.1 委派税（The Delegation Tax）

委派并非免费。在单意图任务中，受限团队产生了显著的开销：

• 延迟： 是单体智能体的 2.75 倍（8.85s 对比 3.22s）。
• Token： 是 Token 使用量的 2.59 倍（20,738 对比 7,999）。
• 模型调用： 团队在每个任务中至少需要额外的 2–3 次模型调用（路由者分发、执行者行动、执行者报告、路由者聚合）。

3.2 成功率与稳定性

• 总体成功率： 在单次运行中，受限团队实现了 92.5% 的成功率，而单体智能体为 91.2%。然而，在三次重复运行中，团队的成功率降至 92.9%，而单体智能体上升至 93.3%（差距为 -0.4 个百分点）。
• 温度敏感性： 温度匹配后的运行（全部为 0.2）显示团队平均成功率为 90.6%，波动范围较大（86.2–93.8%），表明整体优势是不稳定的，且不能仅由温度解释。
• 特定类别收益： 团队在服务工作流（Service Workflows）和跨轮次引用（Cross-turn References）（新鲜的上下文和契约在此类场景中有帮助）方面表现出持续的改进。相反，它在知识、个人资料、长多意图和安全任务中的表现较差或持平。

3.3 机制消融

• 受限自主性（Bounded Autonomy）： 6 步预算的执行者是最优的。无界预算（12 步）增加了尾部延迟和 Token 使用量，但并未提高成功率。
• 推理模式（Reasoning Mode）： 启用推理是一个净损失，不仅降低了成功率（96.7% $\rightarrow$ 90.0%），还显著增加了延迟（+9.6s）。
• 守卫与账本： 在此次平衡的消融实验中，移除承诺守卫或幂等账本并未显著改变二元任务成功率（无效结果）。然而，守卫降低了某些轨迹的尾部延迟，且账本防止了重复的副作用（在此套件中虽罕见但对安全性至关重要）。
• 故障注入： 由于存在重试路径，团队在应对瞬时工具失败时表现出略好的韧性（100% 对比 95.8%），但这属于探索性结果。

3.4 选择性委派

一种仅将服务交易和跨轮次引用委派出去（其余交给单体智能体）的特征策略实现了 95.0% 的成功率，耗时 6.27s。这回收了部分团队的开销，同时提升了相对于单体基准的成功率，表明委派应当根据请求结构来“赢得”，而非全局应用。

4. 主要贡献

1. 受限委派协议： 为个人智能体提供了一种具有契约、预算和不变性（单一声音、受限终止、至多一次效应）的形式化运行时协议。
2. Eva 与 Eva-Bench： 一个真实的 22 工具车载智能体，以及一个可复现、基于规则评分、覆盖副作用、跨轮次引用和拒绝行为的 80 项任务基准。
3. 实证测量： 一项受控研究，证明了委派税是真实存在且可测量的，并且团队的整体成功率优势往往是不稳定或特定于类别的。
4. 负面结果： 明确报告了在特定工作负载下，承诺守卫和账本并未提升预言机成功率，且委派并未提升安全性。

5. 重要性与主张

本文并非声称发现了协调税的存在（此前关于流水线和编程智能体的研究已证实了这一点），其意义在于：

• 剖析税收构成： 量化了在具有副作用工具和跨轮次依赖的个人智能体环境下的成本。
• 反驳普遍优越性： 表明团队并不自动更好；在重复试验中，团队的整体成功率优势消失了，且团队在安全和知识任务上往往表现更差。
• 设计启示：
  • 委派必须是被“赢得”的： 只有当预期的协调收益（如复杂的服务工作流）超过测得的税收时，才应使用委派。
  • 受限自主性： 相比无界自主，较小的、受控的预算对于控制尾部延迟更为优越。
  • 组织纪律： 即使在常规基准测试中未必能提升二元成功率，契约和账本等机制对于问责制和安全性也是必要的。
  • 选择性路由： 混合方法（单体处理简单任务，团队处理复杂任务）提供了最佳的权衡。

作者得出结论：对于个人超级智能体，必须将组织开销与任务成功率分开进行衡量，委派应当是基于请求结构的战略选择，而非默认的架构模式。