像1930年代设计院一样运行六模型智能体集群：集群只贡献了+0.05，真正起作用的是拆分工作

现在人人都在堆叠智能体，所以我就来分享一个平淡无奇的结果。六个小型本地模型组成一个智能体集群，组织方式仿照苏联时期的老式设计院：按学科划分、内部交叉检查、跨学科检查。集群部分相比最好的单模型只增加了 +0.05。真正起作用的是把输入切分成块。在我的抽取任务中（上下文中有18条记录，返回符合某个条件的记录），召回率从位置0的 0.609 降到位置17的 0.214。单调递减，没有U形。模型读得越靠后，就越频繁地说"不"。于是我就做了设计院对待任何超出单人能力的工作时所做的事情：按学科拆分。为什么这是我的第一直觉。Albert Kahn 的底特律事务所大约在1930年为苏联工业设计奠定了基础，五百多座工厂、几千名受过训练的工程师。组织架构沿用至今：按学科拆分、学科内部检查、跨学科检查、一切产出离开大楼之前先过 normocontrol（标准审查）。我就在其中一家设计院工作。是的，我知道这听起来像什么。实验设置：六个本地模型，全部是1-2B规模（qwen2.5-coder-1.5b、llama-3.2-1b、internvl3-2b、qwen3-1.7b、gemma-3-1b、smollm2-1.7b）。40个测试任务，每个18条记录，由脚本切成3个块，每块6条。不是由模型来切——在我早前的一次实验中，一个 LLM 规划器只拿了22%的分数。每个模型都要读每个块。不属于其所在块的 id 会被一个简单的校验当作幻觉丢弃。只有属于该块的模型对某条记录的投票才计入。共720次调用，在 GTX 1660 SUPER 6GB 上运行约10分钟。阈值在实验前就已写定。召回率对比，头部 vs 尾部：记录情况 完整上下文 分块后 位置 0-5 0.508 0.595 位置 12-17 0.304 0.574 差距 0.204 0.021 差距缩小了10倍。位置不再重要。出乎我意料的部分。各模型的精确集合匹配得分：模型 完整上下文 分块后 qwen2.5-coder-1.5b 0.175 0.700 llama-3.2-1b 0.400 0.725 internvl3-2b 0.575 0.825 qwen3-1.7b 0.725 0.850 gemma-3-1b 0.000 0.050 smollm2-1.7b 0.000 0.000 模型越弱，提升幅度越大。那个 coder 模型翻了4倍，几乎追上了领先者。这恰恰就是 Kahn 整套理论的核心：把工作划分得当，平庸的工人也能产出好的结果。gemma 和 smollm 完全无法完成这个任务，任何组织架构都救不了。现在是尴尬的部分。真正的目标是涌现——集群能答对任何单个模型都答不对的问题。我预注册的阈值是40题对34题就值得开香槟。然后我看了看自己在拿什么做对比：完整流程 vs 裸跑的单模型。把最好的单模型（qwen3-1.7b）也送进同一流程：0.850。全部六个模型：0.900。Oracle 口径（六个中任何一个答对即算对）：0.975。严格涌现：为零。集群贡献了 +0.05，且从未超出至少某个模型已经能达到的结果。那个34就留在和0并列的 json 里，删掉它就是作弊。所以在 Kahn 的七个组成要素里，只有一个扛起了全部重量——拆分。块内校验免费抓出了5个幻觉 id。跨学科检查无事可做，因为这个任务里的各个块彼此独立。这就是下一个实验。在有人提问之前先说清几点：只有1-2B规模的模型，因为我只有6GB显存。模型越强，增益越小（qwen3-1.7b：+0.125），所以在7B+的模型上增益应该更少。未实测。40个任务、单一任务族、单一拆分方式。块大小6来自召回曲线，从未调参。整体精确集合匹配从 0.750 -> 0.900。最终的是/否判断命中率 1.000，但那是更宽松的指标，0.900 才是诚实的数字。如果你打算把一大堆文档一次性喂给小模型：别这么做。切开它、分块处理、用代码校验 id，而不是再用一个模型来校验。用模型当裁判是另一篇文章的主题，简短版本：比你想象的更糟。报告、协议和脚本在评论区，这里不允许放链接。如果你在跑多智能体系统：你有没有把集群和它自己的最佳单模型在同一流程下对比过？很好奇有没有人跑出超过噪声的结果。这个实验、这些数字、以及那个傻气的涌现阈值都是我的。（非英语母语者，英文由 LLM 辅助完成）