AI模型能否互相指导？组织结构作为训练局限性的探针

一个昂贵的AI模型能否有效地指导一个廉价的模型来解决软件工程任务？我们通过引入ManagerWorker来研究这个问题，这是一个双智能体流水线，其中昂贵的"管理者"模型（仅文本，无代码执行）分析问题、调度探索任务并审查实现，而廉价的"工作者"模型（拥有完整的代码库访问权限）执行代码更改。我们在SWE-bench Lite的200个实例上进行了评估，涵盖五种配置，这些配置在管理者-工作者关系、流水线复杂度和模型配对方面各不相同。我们的发现揭示了多智能体指导的前景与局限：（1）强管理者指导弱工作者（62%）以强单智能体（60%）的一小部分token使用量匹配了强单智能体（60%），表明昂贵的推理可以替代昂贵的执行；（2）弱管理者指导弱工作者（42%）的表现不如弱智能体单独（44%），表明指导关系需要真正的能力差距——没有实质的结构只是纯粹的额外开销；（3）管理者的价值在于指导，而不仅仅是审查——一个最小的仅审查循环仅比基线增加2个百分点，而结构化的探索和规划增加了11个百分点，表明主动指导是使能力差距产生生产力的关键；（4）这些行为追溯到一个单一的根本原因：当前模型被训练为单智能体，将它们拆分为管理者和工作者角色与它们的训练分布相冲突。该流水线的成功在于围绕这种不匹配进行设计——使每个模型接近其训练模式（管理者进行文本生成，工作者进行工具使用），并将组织结构外部化到代码中。这一诊断指出了具体的训练差距：委派、作用域执行和模式切换是当前训练数据中缺失的技能。