# SHIFT按问题动态组建定制AI智能体团队

> 一种名为SHIFT的新方法利用本地模型即时设计多智能体方案，在提高准确率的同时降低计算成本。

Oossa · 2026-10-06 · https://oossa.com/zh/shift-system-builds-custom-ai-agent-teams-per-query

研究人员于2026年10月6日发布论文，介绍了SHIFT——一种能针对每个问题自动生成合适AI智能体组合的系统。SHIFT不会在运行时尝试多种方案，而是训练一个小型语言模型来预测哪种设计最有效，再通过蒙特卡洛树搜索组建智能体团队。研究人员在六个基准测试的9,193项任务上评估了这一方法，任务涵盖数学题、文档处理和通用助理工作。

## SHIFT表现如何？

以Gemini 3.5 Flash作为执行模型时，SHIFT的平均准确率约为80%，超过了17种对比方法，包括直接提示、提示优化技巧和其他工作流搜索方法。表现最好的竞争方法仍落后7.2个百分点。成本更低的SHIFT配置使用的token少32%，计算需求更低，但表现仍胜过所有基线方法。

## 为何联合设计很重要

作者的研究表明，同时选择通信结构、指令和工具，比单独选择其中任何一项效果更好。与只选择指令或只选择工具相比，联合选择最多可使结果提升9.1个百分点。研究人员学到的价值函数还有助于从候选方案中挑选准确度更高、成本更低的智能体框架。

## 事实

- SHIFT于2026年10月6日发表于arXiv的一篇论文中。
- 该方法在六个基准测试的9,193项任务上接受了评估。
- 使用Gemini 3.5 Flash时，SHIFT的平均准确率约为80%，比表现最好的基线方法高7.2个百分点。
- 成本更低的SHIFT模式比表现最强的基线方法少用32%的执行token，同时仍胜过所有基线方法。
- 联合选择结构、指令和工具，与只选择其中一个组件相比，准确率最高可提升9.1个百分点。

## 为什么重要

对于开发AI助理的开发者来说，SHIFT有望提升性能，同时免去为每个新请求手动设计智能体方案的麻烦。它还能降低计算成本，减少云服务开支，让更多用户以更低成本享用功能更丰富的多智能体服务。

## 来源与参考

1. [Dynamic Harness Search: Building Multi-Agent Systems Per-Query via Prediction](https://arxiv.org/abs/2610.04137) – arXiv cs.LG, 2026-10-06

最后更新: 2026-10-06