关系先验作为基于LLM的多智能体系统中的收敛压力

一项研究考察了在基于LLM的多智能体系统中引入关系先验（即智能体间信任、挑战、服从或协作的明确描述）的影响。实验在公共资源治理模拟和多智能体辩论中进行，发现正向关系先验主要起收敛压力作用，促使智能体更易协调或达成一致，但并不能可靠提升客观问答的准确性，部分情况下甚至可能降低。

此前对LLM多智能体系统的研究多关注角色、辩论协议和聚合规则，而较少系统性地探究智能体间关系语义的显式化影响。该研究提供了新证据，表明显式化关系导向并非默认有效的性能增强手段，其效果取决于任务类型，对智能体系统设计和调参方式有参考意义。

关系先验通过自然语言注入系统提示，隐性塑造智能体的交互倾向，如信任、质疑或服从，从而改变智能体之间的信息流动与决策权重。在需要行为对齐的任务（如资源治理、主观共识）中，正向关系可提升协调效率，但在追求客观准确性的任务中，过度协调可能导致虚假共识，使得准确性度量的条件一致性无法改善。

对构建基于多智能体的产品（如AI助手、协作工具）的研发团队而言，不应盲目在系统提示中加入关系性描述，而应基于任务目标进行测试验证。若产品涉及主观共识或资源分配，可考虑增加正向关系先验；若以客观事实问答为核心，则需警惕关系先验带来的准确性风险，重点关注正确性条件指标。

• 在协作决策类产品中，可设计一个配置项，允许用户调节智能体间的‘正向关系强度’，并给出默认关闭或推荐值。
• 开发一个诊断工具，用于对比有无关系先验时智能体系统的表现，帮助研发团队快速评估是否该启用关系层。
• 为多智能体辩论类场景增加‘中立模式’，但需明确其与无关系层的差异，避免用户误解。
• 基于关系先验的敏感性（模型、关系类型、拓扑结构）建立测试矩阵，为不同产品场景提供最佳实践指南。

• 关系先验在不同模型家族（如GPT、Claude、Qwen）间的效果差异有多大？
• 如何有效度量智能体系统在加入关系先验后的‘正确性条件同意度’，并制定可操作的监控指标？
• 关系先验的‘中立’渲染与无关系层在机制上具体有何不同，能否从理论上解释？
• 关系拓扑结构（如链式、网状）对结果的影响是否具有普适性，还是依赖具体任务？