据@rseroter称，Google Research通过对180种代理配置的大规模受控评估，总结出首个AI代理系统量化缩放法则，结果显示多代理在可并行任务上更占优，而顺序式流程因协同开销带来收益有限（来源：Google Research 博客）。 研究指出，增加代理数量或模型规模并非总是更好，最佳效果取决于任务可分解性、通信成本与角色设计，从而明确何时应采用代理团队而非单代理提示（来源：Google Research 博客）。 对开发者与企业而言，这些结论为架构实践提供指引，如并行切分子任务、减少交接与优化工具路由，以在生产级LLM工作流中降低时延与成本并保持质量（来源：Google Research 博客）。

据@FuSheng_0306称，Google Research 的论文显示，对同一指令重复两遍可显著提升大语言模型在长文本信息抽取任务中的表现，来源：@FuSheng_0306 引用 Google Research。其引用结果表明，仅通过重复提示词两次，长上下文抽取的准确率从21.33%提升至97.33%，来源：@FuSheng_0306 引用 Google Research。该方法属于轻量级提示工程，可在不改动模型的情况下快速提升信息抽取与摘要流程的可靠性，来源：@FuSheng_0306 引用 Google Research。可执行要点：处理长文档时，将需求复述两遍以提高精度与一致性，来源：@FuSheng_0306 引用 Google Research。