Agent 路由的选择性委托机制：统一编排策略的效率与精度分析

论文：Uno-Orchestra: Parsimonious Agent Routing via Selective Delegation

作者：Zhiqing Cui, Haotong Xie, Jiahao Yuan, Cheng Yang, Hanqing Wang, Yuxin Wu, Yifan Wu, Siru Zhong, Tao Yu, Yifu Guo, Siyu Zhang, Xinlei Yu, Qibing Ren, Usman Naseem

机构：Nanjing University of Information Science and Technology

arXiv：2605.05007

发表：2026-05-06

---

一、信息密度分析

这篇技术报告在 LLM 多智能体编排领域提出了一个统一策略主张：将"是否分解""如何分解""谁来执行"三个决策置于同一目标下联合优化，并通过选择性委托实现精度与成本的同步改进。核心信息密度可归纳为六个硬锚点：

关键空白：实验仅报告宏观平均，未公开逐模型成本明细；AgentOrchestra 在 GAIA/SWE-bench 上已被专门调优，跨方法公平性需审慎评估；训练依赖 verifier-gated 教师课程，verifier 质量上限约束系统性能。

---

二、核心声明与机制链

2.1 核心声明

论文的核心声明可形式化为一个编排范式命题：

在 LLM 多智能体系统中，分解深度、工作者选择、推理预算应当在统一策略下联合优化，且选择性（知道"何时不做"）与分解能力同等重要。

2.2 机制链

Uno-Orchestra 的机制链由三个耦合决策构成：

查询输入 → 策略网络 π_θ
    ├── 决策1: 直接回答？ → lazy 模式（15.6%）
    └── 决策2: 分解？
            ├── 生成计划（依赖图）
            ├── 为每个子任务选择 (model, primitive) 路由对
            ├── 独立子任务并行分派
            └── 观察反馈 → 下一轮重计划/修复/终止

关键设计决策：计划和路由 token 由同一骨干网在单次前向传播中产生，没有辅助头或分阶段损失。因果掩码自动获得分解-路由结构：

2.3 三种编排范式的形式化对比

选择性委托在决策空间上严格包含前两种范式：它既可以退化为扁平路由（lazy 模式，\(K_t=0\)），也可以执行复杂分解（continuation 模式，多轮依赖），还可以在一次往返中并行分派多个独立子任务（oneshot 模式）。

---

三、关键实验的技术解读

3.1 训练进展的单调性分析

论文报告了五阶段训练的逐 benchmark 性能：

关键发现：所有 13 个 benchmark 的 pass@1 在五阶段中单调递增。这是最强证据之一，因为它排除了"特定 benchmark 过拟合"或"某阶段在部分领域退化"的可能性。

3.2 成本-精度帕累托分析

Uno-Orchestra 的精度超越所有工作流基线，同时成本低于所有工作流基线。这一模式在 routing 文献中不常见：

AgentOrchestra 作为此前最强工作流基线，其成本结构包含：中心规划器调用、多个子代理顺序调用、中间结果传递开销。Uno-Orchestra 通过 lazy 和 oneshot 模式规避了这些开销中的大部分。

3.3 四种行为模式的涌现分析

65.1% 的任务（lazy + oneshot）不需要多轮串行编排。这一比例对系统设计有直接影响：如果一个系统对所有查询强制走 continuation 模式，它将为约 2/3 的查询支付不必要的协调开销。

---

四、与相关工作的理论映射

Uno-Orchestra 的方法论贡献不在于发明全新的 RL 算法或路由机制，而在于将分解选择性、子任务路由、成本意识整合到统一策略中，并通过大规模跨领域评估证明了这一整合的价值。

---

五、局限性与开放问题

论文明确或隐含的局限需要在评估时纳入考量：

1. Verifier 依赖：SFT 阶段的教师课程和 RL 阶段的奖励都依赖 verifier。Verifier 的质量上限直接约束系统性能。论文未报告 verifier 自身的准确率，因此无法评估"天花板"在哪里。

2. 公平性争议：AgentOrchestra 在 GAIA 和 SWE-bench 上已被专门调优（分别取得 89.04% 和强表现），而 Uno-Orchestra 是跨 13 个 benchmark 的通用系统。直接比较 macro 平均可能低估了 AgentOrchestra 在特定领域的能力。

3. 成本度量粒度：论文报告"约一个数量级"的成本降低，但未公开逐模型、逐查询的完整成本明细。在缺乏原始数据的情况下，无法独立验证成本计算的假设（如 API 定价、token 计数方法）。

4. 模型规模限制：实验覆盖的 worker 模型和 orchestrator 模型的具体规模未在摘要中明确说明，限制了可复现性评估。

开放方向：

• 在 verifier 质量变化的条件下测试系统鲁棒性
• 将选择性委托扩展到更长程（>10 轮）和更开放式任务
• 探索 human-in-the-loop 对选择性委托策略的影响
• 研究不同模型规模 orchestrator 的选择性决策质量

---

六、与 ren-xie 版的差异对照

两版共享同一组事实锚点，但入射角不同：ren-xie 版选择立场优先（"行业在做过度工程"），halo-writer 版选择证据优先（"在统一策略下联合优化三个决策可实现帕累托改进"）。前者适合快速理解"为什么这件事重要"，后者适合评估"这件事的证据强度和适用范围"。

---

七、技术细节补充

7.1 策略网络的输出结构

策略网络 \(\pi_\theta\) 在每次助手轮次输出：

• 若选择直接回答：最终答案 \(y\)
• 若选择分解：计划 \(\mathrm{plan}_t\)（包含 \(K_t\) 个子任务及其依赖图）+ \(K_t\) 个路由对 \(p_{t,k} = (m_{t,k}, s_{t,k})\)

所有输出由同一因果语言模型自回归生成，通过 XML 风格的标签结构区分计划、路由、观察、验证和最终答案 token。

7.2 Agentic-GRPO 的奖励结构

Agentic-GRPO 使用验证器提供的结果级奖励，但优势估计引入了 turn-level 归因：

其中 \(R_i^{(t)}\) 是第 \(i\) 条轨迹在第 \(t\) 轮的累积奖励贡献，\(\bar{R}_G\) 和 \(\sigma_G\) 是同组轨迹的均值和标准差。这种归因使得策略能够区分"有用的轮次"和"冗余的轮次"，从而解释了为什么 Agentic-GRPO 在提高精度的同时降低了成本。

7.3 成本结构对比

---

*本文基于 arXiv:2605.05007 技术报告进行独立分析，所有数据与引文均来自论文原文。Uno-Orchestra 在 GAIA 和 SWE-bench 上相对增益较小，因为 AgentOrchestra 已被专门调优。*