公开提示身份会削弱多智能体 LLM 系统的合作

一项研究发现，在多智能体 LLM 系统中暴露各智能体底层模型身份会显著损害合作。当智能体知道彼此的模型家族后，群体会按标签分裂成小圈子，并偏好与同标签者互动，尽管任务并未奖励这种分裂。作者在两种合作博弈和一个推理基准上，用最多五个开源权重模型家族、9 至 25 个智能体验证了该现象。

多智能体系统正越来越多混合多家厂商的模型，此前默认协作会自然发生。该研究指出，仅暴露模型标签这一常见做法就会制造阵营化，使合作任务成功率从 96% 降至 81%，为混合模型架构设计提供了新的失败模式证据。

机制指向标签本身而非模型能力差异：当公告的模型家族被打乱或替换成任意标签时，阵营仍跟随该信息；去掉标签后行为消失。也就是说，智能体把身份标签当作社会分类线索，据此选择互动对象，形成无任务依据的偏好分裂，而非由底层模型真实差异驱动。

对使用多模型编排的产品，若在提示或元数据中向智能体暴露彼此模型名称，决策轮次平均增加 30%、token 消耗增加 55%，成功率下降 15 个百分点，直接抬高推理成本并降低任务可靠性。缓解方式简单：在智能体间隐瞒身份标签。

• 在多智能体编排框架中默认不向智能体暴露其他智能体的模型家族或厂商信息。
• 为多模型协作产品增加身份标签过滤层，并监控阵营化带来的轮次与 token 消耗。
• 在评测多智能体系统时，加入带标签与去标签两组对照，量化协作成本差异。
• 提供可配置的匿名化标识方案，用与模型无关的随机代号替代真实模型名。

• 该结论在闭源模型家族、更多模型数量或更长任务中是否能复现。
• 去除标签后是否会出现其他形式的隐性身份线索导致类似分裂。
• 阵营化是否会影响非严格合作、存在竞争或混合动机的任务表现。