The Wealth of Agents: Scaling Agentic AI Across Developers
多开发者智能体系统：跨开发者扩展 Agent 能力
🧭 多开发者 Agent 生态协作与激励 ★ 深度解读
Princeton University · UC Berkeley
提出多开发者 MDA：子任务分解路由组合专业 Agent，将≤35%单点准确率提至70%
📌 工作参考价值（4 点）
- 如果你在做多商家/多服务商 Agent 平台或购物助手生态，不应只把整单路由给一个最强通用 Agent；采用 δ-MDA 式「请求分解 → 子任务路由 → 结果组合」，让中尾部专业 Agent 在文件解析、网页理解、商品识别等子能力上竞争，可整体提质量并降低大模型成本。
- 路由模型要建立「交互经验缓冲池 + update-agent」在线闭环：初始 Agent 描述常常夸大，必须用真实任务结果持续更新全局/上下文排序；这在电商场景中多 Agent 能力重叠、服务商自述不可信时尤其重要。
- 理论与实验一致：按整请求竞争的 routed-SDA 会激励开发者都做泛化系统；只有按子能力调度并以贡献/收益补偿时，才有动力做垂直专业 Agent。平台机制设计比单点模型优化更能决定生态能力上限。
- 注意适用边界：当任务所需技能很窄如纯搜索时，任务分解/组合的协调成本可能高于收益，此时直接 route 到单个 SDA 更划算；建议先做能力宽度评估再决定是否启用 MDA。