Autonomous Event-Driven Multi-Agent Orchestration for Enterprise AI at Scale

作者： Harsh Rao Dhanyamraju, Leonidas Raghav, Aaron Lee 發表： 2026-06-18

摘要

本文評估了 DAG Plan-and-Execute 與 ReAct 兩種架構在 208 個企業級場景（從 <10 個 agent 到 200 個 agent 規模）下的表現。研究發現「規模」比「任務複雜度」更影響編排效能：兩種架構在小規模時表現良好，但在企業級規模下，agent 發現噪音成為主要瓶頸。作者提出 Task Manager，透過優先級推論、事件合併與搶先機制，將高優先隊列延遲降低 14-75%，相關事件正確率提升超過 20 個百分點。

企業應用啟示

對 CJ 哥輔導中小企業 AI 轉型的直接價值：企業在導入多 Agent 系統時，不應只關注任務複雜度，更需提早規劃「規模化」的編排架構，否則系統會在擴展時急遽劣化。

關鍵技術 / 觀點

規模是瓶頸，不是複雜度：簡單任務在企業級規模下反而比複雜任務劣化更嚴重

DAG vs ReAct 取捨：DAG 精度高但開銷大，ReAct 增量處理更適合大規模

Task Manager 設計：優先級推論 + 相關事件合併 + 搶先機制，顯著降低延遲

Agent 發現噪音：200 個 agent 規模下，如何快速定位正確 agent 成為核心挑戰