交互税：通信如何抹除多智能体团队的多样性

arXiv 发布论文《The Interaction Tax: When Communication Erases Diversity in Multi-Agent Teams》，研究多智能体 LLM 交互的效果。作者在 11 个验证器评分优化任务中，在匹配预算下测试发现，完整解决方案交互会使方案在一轮内趋同，抹除多样性，导致交互税。独立生成提案可避免该问题，批判反馈仅在规则易被发现和修复时有效。

此前研究对多智能体交互的效果存在矛盾结论，该论文提出交互税概念，指出并非所有通信都平等，完整输出交互可能导致方案趋同，从而影响多智能体系统的设计，提示需关注信息共享的内容和时机。

不同模型家族在结构上能找到不同解法，但当智能体读取彼此完整输出时，早期方案会主导后续提案，导致多样性消失。交互税机制类似于锚定效应，使智能体倾向于接近首个看到的方案，而非探索其他路径。批判反馈仅在违规规则容易识别和修复时有效，因此交互效果取决于分享的信息类型和时机。

对研发多智能体系统的团队而言，直接交互可能降低方案多样性，增加计算成本却不提升质量。设计智能体协作时，应限制信息共享范围，或采用独立提案后再聚合的方式，以保留多样性。产品经理需评估交互策略对成本和性能的影响。

• 在产品中设计多智能体协作流程时，默认采用独立提案生成，再通过验证器评分选择最优结果，减少交互税。
• 开发可配置的通信机制，允许用户限定智能体共享信息类型，如仅分享元数据或部分解决方案，避免完整输出趋同。
• 将交互税检测作为功能，监控智能体输出多样性指标，当发现趋同时自动切换至独立采样模式。
• 基于论文结论，在批判反馈功能中内置规则可检测性评估，优先提供简单明确的规则，提升反馈有效性。

• 交互税效应是否适用于非验证器评分任务（如开放式创作）？
• 除了模型家族差异，提示词或任务类型如何影响交互税的强度？
• 是否有阈值或机制可以预测交互在何种条件下有益？
• 更细粒度的信息共享（如中间步骤）能否避免多样性丧失？