Relational Priors as Convergence Pressure in LLM-Based Multi-Agent Systems
arXiv 论文 2608.03239v1 研究 LLM 多智能体系统中关系先验的影响。作者将关系语义（如信任、挑战、服从、协作）以自然语言注入系统提示，保持任务协议不变。在公共治理模拟和多智能体辩论中，关系先验主要作为收敛压力：增加关系积极性使智能体更易协调或达成一致。在客观问答辩论中，更高积极性可能增加一致性，但正确性条件的一致性未改善甚至下降。效果因模型主干、关系类型和拓扑而异；显式中立不等同于省略关系框架。
发展脉络
- 首次出现Relational Priors as Convergence Pressure in LLM-Based Multi-Agent SystemsarXiv cs.CL
- 当前判断该研究提示，多智能体系统的行为不仅取决于任务协议，还受智能体间关系语义的影响。这为构建更可控的协作系统提供了新思路，但也警示盲目增加关系积极性可能损害任务准确性。Agent Pulse · 分析
该论文探讨了在基于大语言模型的多智能体系统（LLM-MAS）中，将智能体间关系语义显式化对系统行为的影响。作者采用最小符号网络形式化关系先验，并将其自然语言渲染注入智能体系统提示，同时保持任务协议不变。实验涵盖公共治理模拟和多智能体辩论。结果显示，关系先验主要作为收敛压力：增加关系积极性促使智能体更易协调或达成一致。这种压力在奖励行为对齐的任务（如可持续资源治理和主观共识）中有帮助，但并不能可靠提升准确性。在客观问答辩论中，更高积极性可能增加一致性，即使正确性条件的一致性未改善甚至下降。效果因模型主干、关系类型和拓扑而异；显式中立不等同于省略关系框架。论文认为关系先验为设计 LLM-MAS 提供了新的维度。
关系先验的显式注入可作为多智能体系统的收敛压力，但需谨慎使用：在客观任务中，提高关系积极性可能增加一致性而不提升正确性，甚至可能降低正确性条件的一致性。设计者应区分一致性与准确性，并在需要行为对齐的任务中利用关系先验，而在追求准确性的任务中避免过度积极的关系框架。
该研究提示，多智能体系统的行为不仅取决于任务协议，还受智能体间关系语义的影响。这为构建更可控的协作系统提供了新思路，但也警示盲目增加关系积极性可能损害任务准确性。
对于构建多智能体协作产品的团队，关系先验提供了一种低成本调节系统行为的手段，但需在一致性与准确性之间权衡，避免因过度积极的关系框架导致错误共识。
后续可验证信号包括：更多模型主干上的复现实验，关系先验在不同任务类型中的系统评估，以及显式中立与省略关系框架的对比研究。