SquidAgent：明智并行，高效协调

论文指出基于 LLM 的 Agent 处理复杂多步任务时串行执行延迟高，而现有并行多 Agent 系统常比单 Agent 基线更慢。作者将其归因于并行引入的两项隐藏成本：并行 worker 重建编排者已持有上下文（如既有决策）的重复探索成本，以及协调独立生成输出不一致的对齐成本。由此推导出原则性判据：仅当某层关键路径成本加重探索与对齐开销低于对应串行成本时才应并行化。

AI推荐理由 指出并行多 Agent 系统常慢于单 Agent 基线，归因于两项隐藏成本：并行 worker 重建编排者已有上下文的重复探索成本，以及协调独立输出不一致的对齐成本。据此给出决策准则：仅当某层关键路径成本加重探索与对齐开销低于串行成本时才并行化。新信息是把并行化收益问题形式化为可判定的成本比较，对多 Agent 系统设计有直接参考价值；局限是摘要未给出具体实验数据。