Sebuah studi tentang agen pencarian berbasis model bahasa besar menyelidiki cara mendistribusikan kapasitas model di seluruh peran dalam arsitektur multi-agen. Penelitian ini memfaktorkan pencarian hierarkis menjadi tiga peran yang berbeda: dekomposisi tugas (delegasi), pengambilan dan ekstraksi bukti (eksekusi), dan generasi jawaban.
- Faktorisasi peran secara konsisten mengungguli baseline agen tunggal, meningkatkan skor kecocokan tepat sebesar 4,5 hingga 8,6 poin di enam skala model.
- Sensitivitas kapasitas bersifat asimetris; penskalaan backbone delegasi meningkatkan kecocokan tepat sekitar 11 poin, sementara penskalaan sub-agent eksekusi hanya menghasilkan sekitar 2,6 poin.
- Eksekutor berparameter 1,7B yang dilatih melalui distilasi lintasan berkualitas-filter setara dengan akurasi sub-agent terdepan sambil mengonsumsi 37% token lebih sedikit.
Temuan ini menunjukkan bahwa membangun agen pencarian hierarkis harus memusatkan kapasitas pada peran delegasi dan mengecilkan komponen eksekusi tanpa mengorbankan akurasi.