隨着人工智能（AI）技術的不斷進步，企業開始探討是否應該依賴單一的 AI 代理，還是構建一個涵蓋更多職能的多代理網絡。近日，Orchestration 框架公司 LangChain 進行了相關實驗，旨在探討 AI 代理在面對過多指令和工具時的表現極限。

LangChain 在一篇博客中詳細介紹了其實驗過程，關注的核心問題是:“當一個 ReAct 代理被要求處理過多的指令和工具時，其性能會在何種情況下下降?” 爲了回答這一問題，研究團隊選擇了 ReAct 代理框架，因其被認爲是 “最基礎的代理架構之一”。

機器人 人工智能2025

圖源備註：圖片由AI生成，圖片授權服務商Midjourney

在實驗中，LangChain 的目標是評估一名內部郵件助手在兩項具體任務中的表現:答覆客戶問題和安排會議。研究人員使用了一系列預構建的 ReAct 代理，並通過 LangGraph 平臺對其進行測試。涉及的語言模型包括 Anthropic 的 Claude3.5Sonnet、Meta 的 Llama-3.3-70B 以及 OpenAI 的多個版本如 GPT-4o 等。

實驗的第一步是測試郵件助手的客戶支持能力，具體來看，代理如何接受客戶的郵件並給予回覆。接着，LangChain 還特別關注了代理在日曆安排上的表現，確保它能夠準確記住特定指令。

研究人員設定了每個任務30項的壓力測試，並將其分爲客戶支持和日曆安排兩個領域。結果顯示，當給代理過多的任務時，它們常常會感到不堪重負，甚至忘記調用必要的工具。例如，在處理多達七個領域的任務時，GPT-4o 的表現下降至2%。而 Llama-3.3-70B 則在任務測試中失誤頻頻，未能調用發送郵件的工具。

LangChain 發現，隨着提供上下文的增加，代理的指令執行能力顯著下降。儘管 Claude-3.5-sonnet 和其他幾種模型在多領域任務中表現相對較好，但在任務複雜性增加時，它們的性能也會逐步下降。公司表示，未來將進一步探討如何評估多代理架構，以改善代理的性能。