顺序的重要性：序列多智能体辩论中的首位发言者偏差与人格缓解

一篇 arXiv 论文指出，序列式多智能体辩论（MAD）并非中立的意见聚合器，存在明显的首位发言者偏差：先发言的智能体对最终答案影响过大，导致把更强模型放在较弱模型之后会显著削弱其推理优势。作者基于大五人格模型，研究宜人性与外向性对强、弱两方的影响，发现低宜人性一致地提升影响力，把低宜人性分配给较强智能体可恢复其影响力并提高最终准确率；外向性影响不系统，主要体现在发言冗长度上。

此前多智能体辩论常被当作提升 LLM 推理的通用手段，默认模型能力越强效果越好。该研究揭示发言顺序本身会系统性扭曲结果，并提出可操作的干预变量（人格提示），把 MAD 设计从单纯比较模型能力，扩展到对顺序与互动行为的显式调优。

在序列辩论中，后续智能体的判断会以先发言内容为上下文锚点，先发言者的表述因此获得不成比例的权重，形成路径依赖式的影响力累积。人格提示改变智能体的说服风格与措辞强度：低宜人性对应更强的主张与更少让步，从而在话语层面争夺影响力；外向性更多改变发言篇幅而非立场。

对使用多智能体辩论的产品而言，发言顺序成为需显式配置的参数，而非随意设定；把强模型放在首位或为其附加低宜人性提示，可能比换更强模型更经济地提升输出准确率。评测环节也需区分是模型能力提升还是顺序与人格设定带来的波动，避免误判版本收益。

• 在多智能体编排产品中增加首位发言者与角色顺序的配置项，并提供默认推荐顺序。
• 为辩论型 Agent 提供人格提示模板，优先内置低宜人性配置用于关键决策角色。
• 在内部评测流程中加入顺序与人格消融实验，量化其对准确率的贡献。
• 面向企业决策场景输出辩论顺序与角色设定的调优服务或预设包。

• 该结论在非大五人格框架或其他语言、其他任务类型上是否同样成立。
• 低宜人性提示是否带来副作用，如答案多样性下降或对抗性发言增加。
• 首位发言者偏差在不同模型规模与不同辩论轮数下的强度是否一致。
• 在真实产品流量与成本约束下，顺序优化的收益是否稳定可复现。