当需要完成复杂的信息检索或深度研究任务时，让多个AI同时开展工作并整合结果，可能比依赖单一AI更高效。普林斯顿大学语言与智能实验室的研究团队提出了一种名为AggAgent的聚合方法，通过设计专用工具，使汇总AI能够像经验丰富的侦探长一样，按需查阅多个AI探员的调查记录，从而生成更优答案。
近年来，大型语言模型在处理复杂任务时展现出强大能力，但单个AI在执行需要多步骤搜索、综合大量信息的任务时，仍存在局限性。研究人员发现，让多个AI并行工作可显著提升任务成功率。例如，在BrowseComp网络信息搜索测试中，单个GLM-4.7-Flash模型的正确率仅为27%，而同时部署8个该模型探员时，只要有一个探员答对，整体成功率便可提升至59%。这表明，正确答案可能已存在于某个探员的调查记录中，关键在于如何有效提取。
然而，整合多个AI的冗长调查记录面临挑战。现有方法如简单投票、置信度加权投票或选择步骤最少的探员结论，均存在明显缺陷。更复杂的方法如“方案汇总”仅综合最终结论，丢失了调查过程中的关键证据；“摘要汇总”虽压缩记录，但会遗漏细节且计算成本高昂。研究团队指出，直接处理完整记录超出AI记忆容量，而仅依赖最终结论或压缩摘要又会丢失重要信息，这一矛盾亟待解决。
AggAgent的设计思路是赋予汇总AI按需查阅记录的能力，而非强制其一次性处理所有内容。其工作流程分为四步：首先浏览每个探员的摘要信息，如搜索次数和工具使用情况；其次调用“get_solution”工具获取所有最终结论，识别分歧点；然后通过“search_trajectory”工具在特定探员的记录中检索关键词，定位关键证据；最后使用“get_segment”工具读取连续步骤的完整内容，确认细节后提交答案。这一策略使计算量与单次探员工作相当，不会因探员数量增加而显著上升。
为验证AggAgent的效果，研究团队在六项任务中测试了三种规模的AI模型，包括30亿参数的GLM-4.7-Flash、1220亿参数的Qwen3.5-122B和2290亿参数的MiniMax-M2.5。任务分为两类：信息搜索类（如BrowseComp、HLE）和深度研究类（如Healthbench-Hard医学问答）。实验结果显示，AggAgent在几乎所有任务和模型中均优于其他方法。与单个探员相比，8个探员加AggAgent的组合使准确率平均提升13至18个百分点；与“方案汇总”相比，平均再提升2至5个百分点，在深度研究类任务中领先超10个百分点。
成本分析表明，AggAgent的额外开销仅约5.7%，远低于“摘要汇总”的41%，而效果更优。延迟时间方面，AggAgent与“方案汇总”相当，显著低于“摘要汇总”。进一步实验发现，使用能力更强的大模型（如MiniMax-M2.5）作为侦探长，可进一步提升成绩，甚至在BrowseComp-Plus任务中超越理论上限。这表明，多小模型并行搜索加一大模型汇总的分工模式，在成本和效果上可能达到平衡。
研究团队还对比了AggAgent综合创作新答案与直接选择最佳旧答案的效果。结果显示，综合创作在深度研究类任务中优势明显，因各探员报告的优缺点分散，综合可取长补短；在信息搜索类任务中，综合创作仍略占优势，尽管直接选择策略相对合理。工具使用分析显示，AggAgent主要依赖关键词检索，精准定位关键细节，而非盲目翻阅大量内容。模型能力越强，工具调用次数越少，深度研究类任务的调用次数也低于信息搜索类任务。
AggAgent的典型应用场景包括：从少数探员的记录中发现多数派忽略的正确答案；通过对比原始数据消解分歧；拼合多个探员的碎片化线索得出完整答案；以及通过追查少数派推理过程纠正系统性错误。目前，该方法未针对汇总任务专门训练，研究团队认为，未来为聚合探员定制训练模型是值得探索的方向。相关论文已公开，编号为arXiv:2604.11753，供对多智能体系统或并行推理感兴趣的读者参考。
