知识卡片：分解买的是完整性，不是产出

一句话结论

论文模型显示，多智能体把任务拆成树并不会提高“叶子发现到达根节点”的产出：平坦架构在产出上最优；分解/深度主要买来的是根上下文暴露减少和成本优势，但每层会引入产出与对齐折损。标题中的“完整性”精确定义待核实。

事件概述或研究问题

• 研究对象：多智能体系统常以更小上下文、更干净分离、并行性为理由，把任务拆给一棵智能体树。
• 核心问题：这种拆分如何影响叶子发现最终到达根节点的比例？
• 论文标题：Decomposition Buys Integrity, Not Yield。

方法/产品要点

• 将分解建模为树：一个智能体拿到 b 个条目时，保留任意一条的概率为 r(b)。
• 特例：若 r(b)=1/b，则每种树、每种任务大小和形状都恰好交付一个发现；在 20,000 棵随机不规则树上验证至 2.4×10^-15。
• 一般形式：若 r(b)=C b^{-δ}，则覆盖 N 个发现的深度 k 树产出 C^k N^{1-δ}；任务大小与架构分离，架构每层只贡献 C≤1，因此平坦架构对产出最优，且没有任何智能体排列能逃开指数 δ。
• 实证估计：600 条生产 deep-research traces 给出 δ=0.34 [0.30, 0.38]，由三种不共享失效模式的识别方法得到。
• 工具边界 hop 上，条目边界来自工具而非文本启发式，b=1 出现 550 次，在 16,082 个 hop 上观测到 C=0.571 [0.527, 0.615]，而非外推。
• 对齐成本：1,012 条带标注多智能体 traces 中，十六个 brief 有一个偏离目标，得到 μ=0.939 和每层惩罚 Cμ=0.536。
• 深度的另两个收益轴：根上下文是唯一持久且难以低成本遗忘的状态，深度将其暴露从 N 个条目降到 N^{1/k}；成本上，生产平坦智能体计费为 N^{1.39}，而非 append-only 上下文预测的 N^2，等花费下两层在 403 个发现时反超平坦。
• 委派决策与行为：模型估计 0.7% 到 11.3% 的生产会话值得委派，而实际 7.8% 在委派；对 743,819 次生产工具调用的 hazard model 发现，委派不响应上下文被填满，而更像是开场动作。

主要结果或产业意义

• 分解不是免费产出增益；若目标是“发现数量到达根节点”，平坦通常最优。
• 深度可以用于控制根上下文暴露和成本，但会付出每层 Cμ=0.536 对齐折损。
• 实际多智能体委派可能过度或时机错位：委派常发生在开场，而非上下文装满时。
• 工程上应区分 yield、integrity/context、cost 三类目标，并监控每层对齐损耗。

为什么重要

• 它挑战多智能体设计中的常见叙事：更小上下文、更干净分离、并行性并不自动等于更多发现到达根节点。
• 它把“任务大小”和“架构”对产出的影响拆开，提示架构只能在每层乘上 C≤1，不能改变 δ。
• 与已有相关卡片的关系：已有“贝叶斯网络的分解”关注局部与并行推理，“制度红队测试”关注部署规则与多智能体安全；本条增量是把多智能体分解树对发现传递率、对齐折损、根上下文暴露、成本与委派行为做数学建模，并用生产 traces/tool calls 给出量化估计。它们不是同一事实。

局限与不确定性

• 仅获取摘要与元数据，论文全文的模型推导、识别策略、数据来源、标注协议、统计方法、外部效度均待核实。
• 标题中的“完整性”未在摘要中给出精确定义，待核实。
• 生产 deep-research traces、annotated traces、tool calls 来自何种产品、时间段、任务分布、是否可复现，待核实。
• “值得委派”的判定标准、成本口径、403 findings 反超条件等细节待核实。
• r(b)=C b^{-δ} 是否适用于其他领域、模型或智能体框架，待核实。
• 三种识别方法的具体内容及其“不共享失效模式”的依据，待核实。

可用于图书/PPT/简报的角度

• 反直觉标题：多智能体分解买完整性，不买产出。
• 公式页：C^k N^{1-δ}；任务大小与架构分离；平坦对 yield 最优。
• 数据页：δ=0.34；C=0.571；Cμ=0.536；两层在 403 findings 反超平坦。
• 组织页：委派是开场动作，而非上下文填满后的响应。
• 设计页：模型说 0.7%–11.3% 会话值得委派，实际 7.8% 在委派。
• 风险页：十六个 brief 有一个走偏，每层对齐折损。

原始材料

• English title: Decomposition Buys Integrity, Not Yield
• Authors: Rong He
• arXiv ID: 2609.17464v1
• Published/Updated: 2026-09-15T17:04:09Z
• Primary category: cs.MA
• Categories: cs.MA, cs.AI, cs.DC
• Track: academic
• Topics: foundation-model
• English keywords / terms retained from source: multi-agent systems; decomposition; tree; deep-research traces; hazard model; foundation-model。材料未单列关键词，其他关键词待核实。
• Abstract URL: https://arxiv.org/abs/2609.17464v1
• PDF URL: https://arxiv.org/pdf/2609.17464v1