协商幻觉：多智能体大语言模型协商中的事实损耗与立场同质化诊断

# 诊断多智能体LLM协商中的事实损耗与立场同质化  
来源：https://arxiv.org/html/2606.03032  
Herun Wan¹, Jiaying Wu✉², Minnan Luo✉¹, Fanxiao Li³, Ningnan Wang¹, Nancy F. Chen⁴, Min-Yen Kan²  

¹西安交通大学 ²新加坡国立大学 ³云南大学 ⁴新加坡科技研究局（A*STAR）  

[email protected] (mailto:[email protected]),  
[email protected] (mailto:[email protected]),  
[email protected] (mailto:[email protected])  

###### 摘要  
多智能体LLM系统常将共识视为成功交互的证据。然而，对于协商性问题，可靠性取决于智能体是否保留了理解问题所需的事实和观点。我们识别出**协商幻觉**：讨论会产生 (1) **事实损耗**，即与问题相关的事实逐步丢失，以及 (2) **立场同质化**，即多样化的立场向共识坍塌。为量化这一过程，我们引入**DelibTrace**框架，该框架将每个问题分解为原子事实，标注出与问题相关的事实，将其分布到不同智能体中，并追踪它们在多轮讨论中的存留情况。在涉及三个代表性LLM家族的多轮伦理与新闻讨论中，多智能体讨论可抹去高达72%的问题关键事实。这种损失后果严重：保留的证据可能误导性地重构问题，最终立场仍锚定于基础模型先验，而单个恶意智能体即可向不断萎缩的共享语境中注入错误信息。这些结果揭示了一个更尖锐的风险：智能体可以在知道得更少的情况下达成更多共识。我们呼吁开展评估，衡量哪些事实、不确定性和合理分歧能够在交互中幸存。  
¹代码与数据可在 [GitHub](https://github.com/whr000001/DelibTrace) 获取。  

## 1 引言  

图1：共识可能掩盖事实损耗与立场同质化。(a) 在一个代表性的全民基本收入（UBI）讨论中，智能体从富含事实的立场转向了一个压缩后的共识，该共识省略了具体证据、条件和区别。(b) 多智能体LLM讨论中的立场熵远低于现实世界的社会讨论，表明在人类意见本应多元的问题上，LLM表现出了更强的趋同性。  

多智能体LLM系统将交互纳入推理过程 (Wu et al., 2024; Feng et al., 2025a)。通过交换部分证据、挑战彼此错误、并通过辩论或迭代优化修正自身观点，人们期望智能体得出的结论能比单一模型更优 (Chen et al., 2024; Du et al., 2024; Liang et al., 2024)。然而，这一承诺依赖于一个根本但鲜少被检验的条件：讨论必须保存其本应整合的信息和视角。在涉及社会争议或价值判断的**协商性任务**中，如道德判断 (Emelin et al., 2021)、公共政策审议 (Argyle et al., 2023) 及争议性公共议题讨论 (Li et al., 2024)，这一条件变得尤为脆弱。在这些场景中，事实塑造了问题的解读方式、需权衡的利弊，以及哪些分歧是合理的。因此，共识可能以两种截然不同的方式产生：系统可能因整合了相关证据而达成一致，也可能因丢弃了使该问题具有协商性的关键事实和少数派观点而趋于一致。这引出了本文的核心问题：**多智能体LLM讨论是保留了协商所需的信息，还是通过侵蚀其本应整合的证据和分歧来制造共识？**  

我们证明，当前的多智能体LLM讨论常表现出一种**协商幻觉**：智能体在趋同过程中看似在进行集体推理，而协商所需的证据基础却在逐步瓦解。图1提供了一个例证。在UBI讨论中，智能体最初呈现了不同的证据和具体限定条件，但在后续轮次中，逐渐保留的是越来越笼统的主张，而失去了那些决定问题应如何解读的细节，最终得出有偏见的结论。我们将这种与问题相关证据的逐步丢失称为**事实损耗**。同时，智能体的立场变得愈发相似，多智能体LLM讨论中的立场熵远低于现实世界的社会讨论。我们将这种初始多样化立场向共识的坍塌称为**立场同质化**。这是一种误导性的共识：智能体在保留更少内容的同时，达成了更多“一致”。  

为使这一隐蔽过程可量化，我们提出**DelibTrace**评估框架，它将多智能体协商转化为一个可追踪的信息流问题（§3）。其目标是检验讨论是否保留了其本应整合的分布式证据和观点多样性。DelibTrace首先通过将每个问题背景转换为**原子事实**——简短、独立且可验证的命题 (Min et al., 2023)——来使证据可见，并标记出那些遗漏可能改变问题解读或判断的**问题关键**事实 (Entman and others, 1993; Rich and Zaragoza, 2016; Li et al., 2026b)。然后，它通过为每个智能体分配一个情境化的事实子集和先验立场，来捕获信息不对称和初始分歧，从而控制智能体的视角 (Stasser and Titus, 1985; Landemore, 2013)。智能体在全连接、树状和链式拓扑结构下交换回复，这使我们能研究通信结构如何影响信息流。最后，DelibTrace追踪各轮次中的事实存活率和立场熵，揭示共识是保留了协商证据，还是通过事实损耗和立场同质化而产生。  

在涉及三个LLM模型家族的伦理与新闻协商中，DelibTrace显示图1所预示的模式是持久且后果严重的。多智能体讨论抹去了多达72%的问题关键原子事实（§4），而常见的设计变更仍会留下大量事实损耗（§5.4）。这种损失意义重大，因为保留的证据可能误导问题重构（§5.1），损害道德判断（§5.2），共识仍锚定于基础模型先验（§5.3），且单个恶意智能体即可向不断萎缩的共享语境中注入错误信息（§5.5）。这些发现表明，共识并非衡量协商质量的可靠指标，因为在被侵蚀的证据基础上达成的共识，可能放大集体推理的表象，同时削弱其事实基础。  

图2：DelibTrace概览。(a) 它构建问题关键原子事实作为智能体证据（§3.2）。(b) 它使多个智能体在控制器环境下进行讨论（§3.3）。(c) 它追踪事实在多智能体LLM讨论轮次中的存留情况（§3.4）。附录D.1的图8和图9给出了DelibTrace的一个案例。  

## 2 相关工作  

此处我们聚焦最相关的文献，更广泛的讨论请见附录A。多智能体LLM辩论常被描述为一种通过反复交换、批评和聚合来提高推理能力和事实性的机制 (Du et al., 2024; Chen et al., 2024; Chan et al., 2024; Feng et al., 2025a)。近期研究使这一观点复杂化，表明辩论的好处取决于提示、投票和聚合协议 (Wang et al., 2024; Kaesberg et al., 2025)，并可能因谄媚、过早达成一致或寻求共识的行为而被削弱 (Pitre et al., 2025; Yao et al., 2025)。先前工作主要关注智能体间的一致性 (Siingh et al., 2025; Park et al., 2025; Xia et al., 2025)，并假设一致性意味着正确性。它们忽视了**多样性** (Jiang et al., 2026)，而这对协商相关任务至关重要。即，现有多智能体系统缺乏一项评估：**多样性能否在协商过程中存活？** 为弥补这一差距，我们提出DelibTrace评估框架，该框架基于原子事实性评估 (Min et al., 2023)，通过将协商转化为可追踪的信息流过程，使该问题可量化。这种过程层面的视角，与先前强调一致性的做法形成对比，通过明确衡量协商是否保留了事实内容和观点多样性，揭示了智能体可能在丢失协商所需事实内容和观点多样性的同时达成趋同，从而产生最终答案指标无法捕捉的协商幻觉。  

## 3 DelibTrace：追踪多智能体协商中存留的内容  

DelibTrace将多智能体协商转化为一个可追踪的信息流问题。为衡量事实损失，我们需要知道智能体最初持有何种证据、它们如何交换证据、以及交互后还剩下什么。因此，DelibTrace将协商形式化为信息流（§3.1），构建问题关键原子事实作为智能体证据（§3.2），在受控分歧和通信拓扑下运行智能体讨论（§3.3），并评估各轮次间的事实存活率和立场坍塌（§3.4）。图2给出了DelibTrace的概览。  

### 3.1 设定：协商作为信息流  
我们将协商形式化为一个信息流场景，其中事实背景被 (1) 部分分发给各智能体，(2) 通过讨论进行交换，以及 (3) 通过交互后存留的内容进行评价。一个协商对象 I 定义为 I = (B, q)，其中 B 表示背景上下文，q 表示核心问题查询。我们将 B 表示为一组原子事实：B = {c₁, c₂, ..., cₘ}，其中每个 cⱼ 是一个独立的事实单元。§3.2 描述了这些单元如何构建以及如何标记它们与问题的相关性。一个多智能体系统定义为 S = (A, G)，其中 A = {A₁, ..., Aɴ} 是一组基于LLM的智能体，G 是决定信息在轮次间交换方式的讨论拓扑（§3.3）。在此形式化下，评估询问的是：系统最初可用的事实，在讨论后是否仍能从智能体输出中恢复。  

### 3.2 原子事实作为智能体证据  
DelibTrace将每个智能体的证据表示为问题背景的一个情境化子集，图2(a)显示了该流程。此设计的动机来源于现实协商的一个共同特征：参与者往往带着不同的信息、侧重点和背景知识进入讨论。社会心理学长期以来将群体协商视为一个汇集共享和未共享信息的过程 (Stasser and Titus, 1985, 1987)，而协商民主理论则强调参与者间认知多样性的认识论价值 (Landemore, 2013)。通过将智能体观点植根于原子事实，DelibTrace创造了一个受控环境，在此环境中分布式证据是可观察的，事实损失是可测量的。  

我们通过一个基于GPT-5的三阶段流程（提示词见附录B.1）来构建这些原子证据单元。  

**原子事实提取**。遵循 Min et al. (2023) 的定义，我们将原子事实定义为简短、独立且可验证的命题，表达单一事实信息。我们首先将背景 B 分解为候选原子事实 {c̄ᵢ}ⁱ⁼¹ᵐ̄，以便将问题背景表示为离散的证据单元。此步骤优先考虑覆盖率，确保在控制冗余性和粒度之前捕获潜在相关的事实内容。  

**原子事实精炼**。我们通过合并语义重叠的事实并移除冗余或低显著性的事实来精炼候选集，产生一个紧凑、不重叠的事实集 {cᵢ}ⁱ⁼¹ᵐ。这些单元为追踪提供了稳定的基础，因为每个事实对应一个独特的证据片段，其存在与否可以在智能体输出中判断。  

**事实关键性判断**。给定问题查询 q，我们判断每个事实 cᵢ 对于理解或推理该问题是否至关重要。关于框架和说服力的研究强调，判断是由问题的哪些方面被突出、省略或视为相关所塑造的 (Entman and others, 1993; Rich and Zaragoza, 2016; ...