识别你的编排者：LLM 多智能体系统的熵动力学视角

从单轮模型向多智能体系统（MAS）的转变虽提升了问题解决能力，但集中式编排拓扑仍是脆弱点。本文提出平均场熵动力学框架，将编排过程建模为任务解析与累积上下文加载之间的竞争系统。为验证该模型，我们引入了逆向工作流生成（IWG），这是一种能合成具有密集中间检查点的高复杂度基准的多智能体流水线。研究表明，熵动力学模型能拟合实证轨迹，提供量化系统稳定性与性能崩溃的物理可解释参数。分析揭示了“推理陷阱”：重推理模型在孤立任务中表现优异，却常因上下文挤压而在作为编排者时失败。