稀疏多智能体辩论是否需要复杂拓扑控制？

一项 arXiv 论文研究 sparse Multi-Agent Debate（MAD）中的通信拓扑控制是否必要。作者发现，一种简单的随机无放回路由策略——每轮让每个 agent 与两个不同且新抽样的 peer 辩论——是意外强劲的基线，能持续改善 sparse MAD 的准确率-成本权衡。论文还研究 deliberation stopping，发现轻量停止机制可在保持有竞争力准确率的同时大幅降低推理成本。作者据此建议，复杂拓扑控制应先在强简单基线前验证其额外复杂度的必要性。

此前研究多把通信拓扑视为提升多智能体辩论推理准确率的核心，投入学习、自适应或动态重配置等复杂机制。该论文指出，简单随机路由已能取得有竞争力的表现和更低成本，改变了评价复杂拓扑控制必要性的参照标准，即复杂方案需先击败强简单基线。

机制上，随机无放回路由保证每轮每个 agent 面对不同且新采样的 peer，可能增加辩论视角多样性并避免重复交互，从而在稀疏通信下维持推理质量。结合轻量停止机制，系统可在准确率接近时提前终止多余轮次，直接减少 token 与推理调用，形成成本优势。

对产品与研发而言，若随机路由加轻量停止足以接近复杂拓扑效果，可优先实现低成本通信调度和停止策略，减少对学习型拓扑模块的投入。对多智能体编排工具，默认策略可设为随机无放回路由并配置停止阈值，以降低推理成本并缩短响应时间。

• 在多智能体辩论产品中内置随机无放回路由作为默认调度，替代复杂拓扑学习模块。
• 为多智能体流程加入轻量停止判断，按轮次或置信度提前结束辩论以节省推理成本。
• 建立准确率-成本双指标评测，将随机路由与停止策略作为复杂拓扑方案的对照基线。

• 该随机路由策略在哪些任务类型、模型规模和 agent 数量下仍然有效？
• 轻量停止机制的具体实现方式与阈值设置是什么？
• 随机路由与学习型拓扑控制在极端稀疏或高难度任务上的差距有多大？
• 论文是否在真实生产级推理成本下验证了节省幅度？