Consilience：利用共形校准控制多智能体推理中的沟通

Consilience是一个推理时编排框架，用于多智能体LLM系统的沟通控制。它在隐藏配置场景中，通过紧凑状态总结讨论，并选择沟通干预和发言者，采用逐轮共形校准提供无分布、有限样本的保证，限制控制器提议动作的遗憾。在HiddenBench风格任务中，Consilience提升了决策准确性和沟通效率，有时超过全信息基线。

现有的多智能体沟通协议（如固定调度、循环交换、非结构化辩论）无法保证对话动作的适当性。Consilience首次提供了可验证的、校准过的通信控制，为多智能体系统的可靠性和性能提供了统计学保证，可能影响复杂推理任务的部署。

Consilience在每一轮将讨论总结为包含不确定性、分歧、证据增益、冗余和过早共识的紧凑状态，然后选择沟通干预（挑战、澄清、寻找证据或路由）和发言者。其核心是逐轮共形校准程序，提供无分布有限样本保证，通过接受机制替换不可接受的提议来强制执行保证。

对于使用多智能体系统进行推理的应用（如决策支持、复杂问答），Consilience可提高准确性和效率，减少无效交流，可能降低计算成本。但它需要集成共形校准，增加开发复杂性，并可能对推理延迟有影响。

• 集成Consilience到现有LLM API服务，作为可选的通信控制层。
• 基于Consilience构建多智能体协作平台，提供可验证的决策质量保证。
• 将Consilience的校准技术应用于需要严格风险控制的场景（如医疗、金融）
• 开发Consilience的轻量版本，用于边缘设备上的多模型推理。

• Consilience的校准过程会增加多少额外计算开销？
• 在真实世界任务中，与HiddenBench的差距如何？
• 它对不同LLM架构的适应性如何？
• 是否有开源实现？