¿Puede un solo agente con habilidades reemplazar sistemas multi-agente? Los sistemas multi-agente funcionan bien para razonamientos complejos donde agentes especializados colaboran a través de comunicación explícita. Pero esto incurre en un considerable costo computacional en tokens y latencia. Esta nueva investigación explora si se puede compilar un sistema multi-agente en un sistema equivalente de un solo agente al intercambiar la comunicación entre agentes por la selección de habilidades. La respuesta: sí, pero con una salvedad. Los experimentos preliminares muestran que los enfoques de un solo agente con bibliotecas de habilidades pueden reducir sustancialmente el uso de tokens y la latencia mientras mantienen una precisión competitiva en los benchmarks de razonamiento. Hasta ahora, todo bien. Pero aquí es donde se pone interesante. Los investigadores preguntaron: ¿Cómo escala la selección de habilidades a medida que crecen las bibliotecas? Basándose en la ciencia cognitiva, proponen que la selección de habilidades de LLM exhibe una capacidad limitada análoga a la toma de decisiones humana. Y encontraron un patrón interesante. En lugar de degradarse gradualmente, la precisión de selección se mantiene estable hasta un tamaño crítico de la biblioteca, luego cae drásticamente. Pero parece una transición de fase, no una disminución suave. Esto refleja los límites de capacidad observados en la cognición humana. El culpable no es solo el tamaño de la biblioteca. Es la confusibilidad semántica entre habilidades similares. Cuando las habilidades son demasiado semánticamente similares, el modelo no puede distinguirlas de manera confiable. Esto sugiere que la organización jerárquica, que ha ayudado a los humanos a gestionar elecciones complejas, puede beneficiar de manera similar a los sistemas de IA. Los resultados iniciales con enrutamiento jerárquico apoyan esta hipótesis. A medida que construimos agentes cada vez más capaces con conjuntos de habilidades en expansión, entender estos límites fundamentales se vuelve crítico. No puedes seguir añadiendo habilidades indefinidamente. Hay un umbral donde la selección se descompone, y sucede de repente, no gradualmente. Artículo: Aprende a construir agentes de IA efectivos en nuestra academia: