企業級 AI 多代理系統：DAG 計畫與 ReAct 的規模效能比較
企業 AI 需要持續監控與自動化。研究比較 DAG Plan and Execute 與 ReAct 兩種多代理架構，測試 208 個情境跨小至全企業規模。結果顯示規模是主要瓶頸，DAG 在小規模精度高，ReAct 更具彈性；任務管理器可大幅降低延遲並提升事件正確率。
研究背景與目標
企業級人工智慧正朝向持續事件監控、偵測與自動化行動發展，然而現有的多代理系統多假設離散的請求—回應流程，缺乏在大規模企業環境下的實證。
測試架構與情境
本次實驗比較兩種架構：
- DAG Plan and Execute：以有向無環圖規劃任務流程，支援結構化平行化。
- ReAct：結合推理與行動的迭代模型，能在失敗時逐步恢復。
共使用 208 個來源於真實生產環境的企業情境，分為 Persona（少於 10 個代理）、Department（20~80 個）與 Enterprise（約 200 個）三個規模層級。
任務管理器的角色
為了支援持續運作，我們加入一個任務管理器，負責優先順序推論、相關事件合併與搶占機制。
主要發現
結果顯示，系統規模而非任務複雜度主導協調效能。小規模下兩種架構皆表現良好；但在企業規模時，代理發現的噪聲成為主要瓶頸，且簡單任務的效能下降幅度大於複雜任務。
DAG Plan and Execute 在小規模提供較高精度與結構化平行化，但其較高的運算開銷在大規模時加劇效能衰退。ReAct 則因能逐步處理失敗而顯得更具韌性。
引入任務管理器後，高優先序佇列的延遲降低 14% 至 75%，相關事件的正確率提升超過 20 個百分點，顯著改善企業級 AI 系統的即時反應能力。
延伸閱讀
- HiL‑Bench：以 Ask‑F1 評估 AI 代理人在資訊缺口時的求助能力
- ASMR-Bench：衡量 ML 研究程式碼審計與竄改偵測能力
- 合成資料與因果推論：分離式共變數生成與結果建模以降低 ATE 失真
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
