近年来，基于大语言模型的多智能体系统（LLM-based Multi-Agent Systems, MAS）被广泛用于复杂推理任务。典型做法是让多个 agent 独立生成并通过投票或辩论等机制聚合决策，从而在算术推理、常识推断与专业问答中提升准确率。
随着 test-time compute（推理时计算）成为常见的能力提升手段，一个自然的问题随之出现：MAS 是否能通过不断增加 agent 数量而持续变强？直觉上，这个设想似乎成立：类似 ensemble 或 self-consistency 的「多次采样 + 聚合」往往能提高覆盖正确答案的概率。
来自上海交通大学、UC Berkeley、加州理工学院以及约翰・霍普金斯大学的联合研究论文Understanding Agent Scaling in LLM-Based Multi-Agent Systems via Diversity 表明：多智能体系统「扩不动」的真正原因，并不是 Agent 不够多，而是信息冗余。 系统实验发现，单纯堆规模收益迅速枯竭，而引入多样性可以显著延缓饱和、以更少的 Agent 获得更强的性能。
