arXiv cs.AI· Tamara Stojanovska, Elisabeth Kirsten, Leon Swazinna, Muhammad Bilal Zafar·· 1 天前AI 评分58
Lost in Delegation：生成式搜索中任务编排的有效性研究
Lost in Delegation: Studying the Effectiveness of Task Orchestration in Generative Search
AI 导读
arXiv 论文《Lost in Delegation》研究生成式搜索中的任务编排效果，作者用按知识截止时间前后切分的数据集对比多种委派模式，发现委派相比非委派设置没有稳定的准确率提升，效果随模型和任务变化。当任务涉及编排 LLM 自身无法掌握的知识时，委派会明显降低准确率，而同一 LLM 直接使用工具表现更好。作者将委派查询失真、工具使用低效、智能体之间未能保留和使用信息列为反复出现的失败模式。
正文 · AI 翻译
摘要：LLM 已迅速从孤立使用的模型演变为可将任务委派给外部工具和其他 LLM 以解决复杂任务的智能体系统。这种智能体增强带来了令人印象深刻的能力提升。然而，委派何时以及如何提升性能仍鲜为人知。例如，当任务涉及编排 LLM 无法仅凭自身知识可靠解决的后截止日期信息时，委派是否有帮助尚不清楚。在本工作中，我们使用专门构建的、包含截止日期前后划分的数据集来比较各种委派模式。我们发现，与非委派设置相比，委派并未带来一致的准确率提升，其效果因模型和任务而异。当任务涉及编排器无法获取的知识时，委派可能大幅降低准确率，而使用同一 LLM 直接调用工具的表现则好得多。我们的分析识别出反复出现的失败模式：被扭曲的委派查询、低效的工具使用，以及未能保留和利用智能体之间的信息。这些发现表明，有效的编排既需要校准良好的委派决策，也需要智能体之间有效的信息交换。
| 学科： | 人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2611.16526 [cs.AI] |
| （或 arXiv:2611.16526v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.16526 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Elisabeth Kirsten [查看电子邮件]
[v1]
2026年11月12日星期四 09:25:33 UTC（142 KB）
来源：arXiv cs.AI · arxiv.org