基于账本控制的零样本自编排提升 LLM 编码性能

arXiv AI 发布研究，比较多智能体管理器-工人架构与单模型在九个模型上的 LiveCodeBench 表现。结果显示效果因模型而异，对部分模型有显著提升，对另一些则无效或负面。管理器模式下 Opus-5 达最高分 91%，但 token 消耗约增三倍。

此前多智能体系统声称优于单模型，但证据混杂且对比受干扰。该研究通过严格对照，揭示提升条件性存在，并量化了成本效益，为理智选用多智能体架构提供依据。

管理器-工人架构在共享文件系统工作区中运行，管理器负责任务分配与结果集成，工人专注具体编码。零样本、无调优，仅通过架构改变影响性能。token 消耗增加但精确度提升，原因可能包括任务分解和结果校验。

若团队使用 API 成本敏感，多智能体架构可在相近准确度下降低成本（如 GPT-5.6-Terra 配管理器接近 Fable 5 且价格低）。但需注意部分模型性能下降，且 token 消耗增加。产品集成时需权衡模型选择与成本。

• 选择 Qwen-27B 等开源模型配合管理器，在可控成本下提升编码任务准确度。
• 开发按需启用管理器的功能开关，允许用户在高难度任务时切换。
• 利用低成本模型加管理器替代高端闭源模型，降低工具生态成本。

• 该架构在非编码任务（如数据分析）上是否同样有效？
• 管理器带来的额外延迟是否在实时交互场景中可接受？
• 不同 worker 数量对性能的影响如何？
• 研究是否涵盖更长上下文或更多轮对话场景？