大处思考，小处搜索：层级搜索智能体中何处容量至关重要？

基于大语言模型的搜索智能体常采用多智能体架构，由主智能体将复杂问题分解为子查询并分发给并行子智能体。然而，现有系统通常使用相同规模的模型实例化所有角色，未探究容量应如何分配。本文将层级搜索分解为负责任务分解的委托角色、负责检索与证据提取的执行角色，以及固定的答案生成角色。通过在五个多跳问答基准上进行受控实验，发现角色分解显著优于单智能体基线；且容量敏感性不对称，扩展委托骨干模型带来的提升远大于执行子智能体，表明任务分解是能力瓶颈。此外，经质量过滤轨迹蒸馏训练的 1.7B 参数执行器在准确率上媲美前沿子智能体，同时 token 消耗减少 37%。