想象一下你开了一家装修公司。客户甲只是想换个灯泡，客户乙要把整栋别墅重新装修。你的团队里有设计师、水电工、监理、验收员。
如果每次接单你都把全部人马派过去，换灯泡那单你赔到姥姥家，因为光是开会协调就比换灯泡费的时间长。可如果你图省事,永远只派一个水电工,遇到别墅装修的大单,他一个人累死也完不成,还可能把活干砸。
这其实就是当下所有多智能体AI系统面临的核心难题。2026年初,Google和亚利桑那州立大学的研究者们发表了一篇论文,提出了一套名叫SHIFT的方法,专门解决"给AI任务配多大团队"这件事。
**核心问题:AI团队的配置,从来不是一劳永逸的**
先说清楚什么是智能体编排架构。
智能体编排架构：指定一个AI任务由哪些角色（比如规划者、执行者、审核者）组成，每个角色有什么指令、能用什么工具、彼此之间怎么传递信息，论文里把这整套配置叫做harness。
现在大部分做AI智能体系统的团队，面对这个配置问题，基本是两条路。
第一条路是手工设计一套固定流程，不管来什么任务都用同一套班子处理。这就好比前面说的装修公司，不管来什么活都派同一拨人。简单问题被过度服务，浪费时间和算力；复杂问题又可能配置不足，最后答案出错。
第二条路是在推理的时候让AI自己临场决定该怎么组队，但这往往需要先试跑几种方案，比较效果后再选定，执行成本直接翻倍甚至翻几十倍。
论文里举了个很直观的例子。假设你在问一个文档助手三个问题：一个是报表里写了多少营收，一个是要把某一列数字加总，还有一个是要算增长率。
固定班子的做法是：不管什么问题，都派一个"阅读者"加一个"计算者"上场，外加搜索工具、文件读取工具、Python编译器全部配齐。结果呢？简单的查营收任务被这套重装备伺候，反而因为流程太复杂，两道计算题都算错了，总数算成190而不是200，增长率算成10%而不是20%。
这组数据背后藏着一个常被忽略的真相：
**给AI配置的工具和角色越多，不代表它表现得越好，有时候反而因为干扰项太多而出错。**
论文测算过这个现象的代价。在SpreadsheetBench这类电子表格任务上，用四个以上智能体的配置比单一智能体的成功率能高出整整28个百分点。可是在GSM8K这种小学数学应用题上，四智能体配置消耗的执行代币（token）是单智能体的19倍，准确率却基本没有变化。
执行代币：指AI模型在处理一次请求（包括思考、调用工具、生成回答）时消耗的文本单元数量，是衡量AI调用成本的核心指标，代币用得越多，意味着花的钱和算力越多。
这说明一件事：没有一种万能配置能够通吃所有任务。给简单任务配重型团队是纯粹的浪费，给复杂任务配简单团队则是能力不足。问题是，你怎么知道一个任务到底需要几个人、配什么工具？
**SHIFT的思路:让一个小模型提前"预判"结果,而不是真的跑一遍**
这就是SHIFT这篇论文真正要解决的事。它的全称是Searching Harnesses In Forward-pass Trees，字面意思是"在前向推理树中搜索配置方案"。
论文作者给这套系统设计了一个核心角色，叫做架构师（architect）。
架构师：论文中用来指代SHIFT里负责提出配置方案并预测方案好坏的一个小型本地模型，基于谷歌的Gemma 4 E2B模型构建，只训练其中的少量适配参数（LoRA），主干参数保持冻结。
这个架构师干两件事：第一，它会根据当前任务和已经搭好的部分配置，提出接下来可以采取的动作，比如"加一个规划者智能体"或者"给审核者加个Python工具"；第二，它会预测，如果真的执行这套配置，大概能打多少分，这个分数兼顾了任务成功率和消耗的资源。
这里最关键的设计是：架构师做出这些判断的时候，完全不需要真的跑一遍这套配置。它只靠自己脑子里学到的经验来"猜"，而不是靠真刀真枪地执行来验证。
这就好比一个经验丰富的装修工长。普通学徒遇到新客户的需求，只能靠试错，先派人去看看行不行，不行再换方案，每次试错都要花真金白银。但工长光听客户描述几句话，心里就能大致估出这活儿需要几个人、要多少天、成本多少，根本不用真派人去现场试。
**如果没有这个"预判"能力会怎样？**
答案很直接：你必须把每一种候选方案都真的跑一遍才知道好坏，而执行一次AI任务本身就是真金白银的成本。论文里提到，在OfficeQA这类长文档问答任务上，跑一次多智能体配置可能消耗上百万甚至上千万的执行代币。如果每个任务都要试跑好几种配置才能选出最优解，这笔账根本算不过来。
架构师的训练过程其实分两部分，一部分学的是"该往哪个方向搜"，另一部分学的是"这套配置大概值多少分"。这两部分合起来，构成了论文里说的策略-价值架构（policy-value architect），这个设计思路其实借鉴了AlphaGo那套下棋AI的训练逻辑，只不过这里下的不是围棋，而是"怎么搭AI团队"这盘棋。
**用蒙特卡洛树搜索,把配置空间走一遍**
光有架构师的判断力还不够，你还得有一套系统性的办法，去探索成千上万种可能的配置组合，不能瞎猜。
这里论文用到了蒙特卡洛树搜索。
蒙特卡洛树搜索（MCTS）：一种通过反复模拟、逐步扩展决策树来寻找最优方案的搜索算法，最早因AlphaGo下围棋而广为人知，核心思路是在有限次尝试里，优先探索那些看起来更有希望、同时又没被充分验证过的分支。
具体到SHIFT这里，整个搭建团队的过程被建模成一棵树。树的根节点是最简单的配置：一个不带任何工具的编码者智能体。每往下走一步，就是加一个新智能体、加一条反馈回路、给某个智能体加一条指令、或者给某个智能体开放一个工具权限。每一次搜索，架构师会评估当前节点下哪些动作最值得尝试，然后用"价值预测"给每个候选继续打分，经过64轮模拟（论文里的默认设置），最终选出得分最高、或者被访问次数最多的那条路径，作为最终搭建方案。
这整个搜索过程完全不需要调用真正的执行器（也就是干活的那个大模型，论文里用的是Gemini 3.5 Flash）。只有搜索结束、方案确定之后，才会真正执行一次。
这个设计带来的好处是显而易见的：训练架构师需要花一次性的成本，但这个成本可以摊到后面成千上万次查询上。而对每一次具体的查询来说，搜索本身只需要本地小模型推理，速度极快。论文测算过，在一块H100 GPU上，构建一次配置方案平均只需要0.73到0.90秒，而真正执行一个长文档任务的多智能体配置，可能要花上四到六分钟。
这好比你请了一位非常懂行的建筑设计师，设计师画图纸只要一小时，但真要把房子盖起来要几个月。你不会因为画图纸要花钱就跳过设计直接开工，反而正是因为设计阶段相对便宜，才值得花心思把图纸画精细，省得盖到一半推翻重来。
**两种落地模式:要么最准,要么最省**
SHIFT最终给出两种使用方式。
第一种叫SHIFT-search，采用搜索过程中被访问次数最多的那条路径作为最终方案，目标是追求最高准确率。
第二种叫SHIFT-value，从搜索过程中筛选出几个候选方案，再用架构师的价值预测挑出性价比最高的那一个，如果预测分数不够理想，还会追加一轮更大规模的搜索。这种模式更看重成本控制。
论文在六个基准测试集上做了验证，涵盖数学题（GSM8K）、多跳问答（HotpotQA）、代码生成（MBPP）、电子表格操作（SpreadsheetBench）、企业文档问答（OfficeQA）、以及通用助手任务（GAIA），总共9193个任务，对比了17种现有方法，包括思维链提示、自我反思、树状思维、ReAct工具调用、DSPy提示优化、以及多种工作流自动搜索方法。
结果显示，SHIFT-search拿下了六个基准测试里最高的平均准确率，达到79.9%，比表现最强的对照方法Trace高出7.2个百分点。而且这个优势不是靠某一两个任务硬拉起来的，在OfficeQA上领先30个百分点，在GAIA上领先15个百分点，统计检验显示这个差距在95%置信区间内是稳定的。
而SHIFT-value这边，平均准确率达到74.5%，依然超过全部17个对照方法，同时执行代币消耗只有Trace的三分之二左右，比最强对照方法省了32%的token开销。
| 方法类型 | 代表方法 | 六基准平均准确率 | 相对代币成本 |
|---|---|---|---|
| 提示工程类 | Direct（直接问答） | 45.5% | 1.0× |
| 工具调用类 | ReAct | 66.4% | 12.3× |
| 工作流优化类 | **Trace（最强对照）** | 72.7% | 40.8× |
| 查询自适应类 | SHIFT-value | 74.5% | 27.7× |
| 查询自适应类 | **SHIFT-search（最佳）** | **79.9%** | 84.3× |
**结构、指令、工具,三者缺一都不行**
论文还做了一组很有意思的消融实验，把架构师可操作的空间人为缩小，看看效果会掉多少。
在HotpotQA问答任务上，如果架构师可以自由组合角色、指令、工具这三类动作，准确率是69.4%。如果只允许它分配工具权限，不能加角色、不能加指令，准确率掉到67.9%。如果只允许它加指令，不能动结构和工具，准确率直接摔到60.3%，掉了9.1个百分点。
这组数字说明一件事：指令、工具、角色结构，这三者解决的是完全不同的问题，彼此不能互相替代。
指令告诉智能体"该怎么做"，工具决定智能体"能做什么"，而增加新角色则决定"谁来做这件事"。少了任何一个维度的调整空间，整套系统的表现都会打折扣。
这就好比前面的装修公司例子。只给工人发一份更详细的操作手册（相当于加指令），但不给他配对应的工具，手册写得再细也白搭。反过来只给工人配齐所有设备（相当于加工具），但没人告诉他具体要按什么标准施工，设备再全也发挥不出该有的水平。真正能让效果最大化的，是指令、工具、人员结构三者一起动态调整。
**学出来的价值判断,比瞎猜靠谱多了**
论文还专门验证了架构师那个"价值预测"模块到底靠不靠谱。
研究者准备了一批候选配置方案，每个任务对应四到五个不同的配置，全部真实执行两遍，拿到真实的成功率，再拿架构师提前预测的分数去对照。
结果在HotpotQA上，用价值预测挑出来的方案比随机挑选的方案准确率高10.5个百分点，在GSM8K上高2.9个百分点，而且挑出来的方案执行代币消耗明显更低（HotpotQA上9.5k对比19.5k，GSM8K上1.8k对比8.8k）。
更有意思的是，论文还试了几种"简单粗暴"的挑选规则，比如永远选工具最多的方案、永远选角色最多的方案、永远选指令最少的方案，结果发现这些固定套路的表现甚至不如完全随机挑选。
这说明一件很反直觉的事：没有一种放之四海而皆准的"配置越重越好"或"配置越轻越好"的简单规则，真正有效的判断必须结合具体任务，而不是套用某种固定偏好。架构师学到的恰恰就是这种因任务而异的判断力，而不是一条死板的经验法则。
**没见过的难题,架构师也能应付两下**
最后论文还测了一下架构师的迁移能力，也就是说，一个只在GSM8K小学数学题上训练出来的架构师，拿去处理更难的MATH-500数据集（涵盖更难的高中和竞赛数学题，分为五个难度等级），表现会怎样。
结果是，这个"没见过世面"的架构师依然能把整体准确率从固定单智能体方案的81.2%，提升到83.6%。更关键的是，提升主要集中在最难的两个等级上，第四级提升5.5个百分点，第五级提升3.7个百分点，而在简单题目上两者基本打平。
这个结果挺耐人寻味的。架构师并没有专门学过怎么处理竞赛数学题，但它学会了一个更底层的判断逻辑：什么时候问题足够难，值得多配一个角色进来帮忙核对。这种判断力似乎具备一定的跨任务通用性，不完全绑定在特定题型上。
Q&A
Q1：SHIFT是什么，主要解决什么问题？
A：SHIFT是Google和亚利桑那州立大学提出的一套方法，用来给每个AI任务自动搭配最合适的多智能体团队配置，包括选用哪些角色、给什么指令、开放哪些工具。它能在不真正执行候选方案的前提下，靠一个本地小模型预测各种配置的好坏，从而避免了传统方法必须反复试跑才能选出最优方案的高成本问题。
Q2：SHIFT相比现有方法效果提升有多大？
A：在六个基准测试、共9193个任务上，SHIFT-search的平均准确率达到79.9%，比表现最强的对照方法Trace高出7.2个百分点，在长文档问答OfficeQA上领先30个百分点。另有一种更省钱的版本SHIFT-value，准确率74.5%依然超过所有对照方法，但执行代币消耗比Trace少32%。
Q3：SHIFT能不能用在没训练过的新任务上？
A：论文做了迁移测试，把只在GSM8K数学题上训练的架构师直接用到更难的MATH-500数据集，没有重新训练。结果整体准确率从81.2%提升到83.6%，在最难的两个难度等级上提升尤其明显，说明架构师学到的判断力具备一定的跨任务通用性。
