Un estudio sobre agentes de búsqueda basados en modelos de lenguaje grandes investiga cómo distribuir la capacidad del modelo entre roles en arquitecturas multiagente. La investigación divide la búsqueda jerárquica en tres roles distintos: descomposición de tareas (delegación), recuperación y extracción de evidencia (ejecución) y generación de respuestas.
- La factorización de roles supera consistentemente a las líneas base de un solo agente, mejorando las puntuaciones de coincidencia exacta entre 4,5 y 8,6 puntos en seis escalas de modelos.
- La sensibilidad a la capacidad es asimétrica; escalar el núcleo de delegación mejora la coincidencia exacta aproximadamente 11 puntos, mientras que escalar el subagente de ejecución produce solo unos 2,6 puntos.
- Un ejecutor de 1.7B parámetros entrenado mediante destilación de trayectorias con filtrado por calidad iguala la precisión del subagente de vanguardia mientras consume un 37% menos de tokens.
Los hallazgos sugieren que construir agentes de búsqueda jerárquicos debe concentrar la capacidad en el rol de delegación y reducir el componente de ejecución sin sacrificar la precisión.