BOUNDARY_SYNC: 测量多智能体LLM系统中通信引起的表征耦合

# 测量多智能体LLM系统中通信引发的表征耦合
来源：https://arxiv.org/html/2607.01600

###### 摘要

随着大型语言模型（LLM）作为通信智能体部署于多智能体系统中，智能体间的通信是否会导致其输出趋向共识？我们引入了Boundary_Sync，这是一种测量协议，通过耦合放大因子（CAF = JSD_cond / JSD_baseline）来量化表征耦合，其中CAF << 1表示均质化，CAF >> 1表示多样化。在使用GPT-4o（每种条件N=30，真实API调用）的受控实验中，我们在基于文本和基于图像的通信场景中测量了耦合。

我们的主要发现是：(1) 文本通信导致显著的均质化（CAF = 0.803 [0.740, 0.873]，Cohen's d = 1.30，p < 0.001），并通过干净的无通信消融实验（CAF = 0.978）和提示扰动控制得到确认；(2) 图像通信在针对其自身模态合适的基线进行评估时也导致均质化（图像固有的CAF = 0.834 [0.811, 0.858]），其比例效应与文本相当（0.816）；因此，一旦基线差异被考虑在内，两种模态均表现出幅度相当的均质化；(3) 群体规模是耦合方向的关键调节因素——当K=5个智能体时，文本和图像通信均产生均质化（CAF分别为0.80和0.74），但当K=3个智能体时，CAF上升至1.0以上（点估计值为1.14和1.06，无bootstrap置信区间，等待专门的基线实验）——表明方向转向多样化而非均质化；(4) 跨模型复制显示出极大变异（CAF 0.034–0.803），尽管DeepSeek接近零的CAF主要由格式伪影主导；(5) 耦合是无状态的——由提示上下文中同伴信息的即时存在驱动，一旦移除即刻消失，没有跨轮次累积收敛的证据。一种连续共识变体产生单调收敛（JSD从0.44降到0.001，10轮内），强化了无状态的解释。这些结果确立了LLM智能体耦合是真实的、可测量的、在比例项上模态一致的，并且可以在提示层面进行控制——这对多智能体LLM系统的设计具有直接意义。

关键词：多智能体系统，LLM耦合，表征多样性，观点动力学，Jensen-Shannon散度

###### 目录

1. 1 引言 (https://arxiv.org/html/2607.01600#S1)
2. 2 相关工作 (https://arxiv.org/html/2607.01600#S2)
   1. 2.1 多智能体LLM系统 (https://arxiv.org/html/2607.01600#S2.SS1)
   2. 2.2 收敛与崩溃现象 (https://arxiv.org/html/2607.01600#S2.SS2)
   3. 2.3 观点动力学 (https://arxiv.org/html/2607.01600#S2.SS3)
3. 3 方法 (https://arxiv.org/html/2607.01600#S3)
   1. 3.1 协议概述 (https://arxiv.org/html/2607.01600#S3.SS1)
   2. 3.2 通信协议 (https://arxiv.org/html/2607.01600#S3.SS2)
   3. 3.3 CAF度量与统计框架 (https://arxiv.org/html/2607.01600#S3.SS3)
   4. 3.4 实验条件与控制 (https://arxiv.org/html/2607.01600#S3.SS4)
   5. 3.5 可复现性 (https://arxiv.org/html/2607.01600#S3.SS5)
   6. 3.6 噪声DeGroot模拟 (https://arxiv.org/html/2607.01600#S3.SS6)
4. 4 结果 (https://arxiv.org/html/2607.01600#S4)
   1. 4.1 文本通信导致显著均质化 (https://arxiv.org/html/2607.01600#S4.SS1)
   2. 4.2 图像通信与模态合适基线 (https://arxiv.org/html/2607.01600#S4.SS2)
   3. 4.3 群体规模改变耦合方向 (https://arxiv.org/html/2607.01600#S4.SS3)
   4. 4.4 提示扰动控制确认社会特异性 (https://arxiv.org/html/2607.01600#S4.SS4)
   5. 4.5 混合比例鲁棒性与跨模型变异 (https://arxiv.org/html/2607.01600#S4.SS5)
   6. 4.6 逐轮动态：耦合是无状态的 (https://arxiv.org/html/2607.01600#S4.SS6)
   7. 4.7 与噪声DeGroot模拟的比较 (https://arxiv.org/html/2607.01600#S4.SS7)
   8. 4.8 结果总结 (https://arxiv.org/html/2607.01600#S4.SS8)
5. 5 讨论 (https://arxiv.org/html/2607.01600#S5)
   1. 5.1 为什么通信会使两种模态均质化？ (https://arxiv.org/html/2607.01600#S5.SS1)
   2. 5.2 对多智能体系统设计的启示 (https://arxiv.org/html/2607.01600#S5.SS2)
   3. 5.3 CAF部署的实用指南 (https://arxiv.org/html/2607.01600#S5.SS3)
   4. 5.4 与观点动力学的联系 (https://arxiv.org/html/2607.01600#S5.SS4)
6. 6 局限性 (https://arxiv.org/html/2607.01600#S6)
7. 7 结论 (https://arxiv.org/html/2607.01600#S7)
8. 参考文献 (https://arxiv.org/html/2607.01600#bib)

## 1 引言

随着大型语言模型越来越多地被组合成多智能体系统——用于协作推理 (Du et al., 2024 (https://arxiv.org/html/2607.01600#bib.bib8))、辩论 (Li et al., 2023 (https://arxiv.org/html/2607.01600#bib.bib7)) 和社会模拟 (Park et al., 2023 (https://arxiv.org/html/2607.01600#bib.bib9))——一个根本性问题随之出现：*智能体间的通信是否会导致它们的输出趋向均质化的共识？*如果LLM智能体通过通信变得彼此更加相似，那么多智能体架构的多样性优势可能会被削弱；如果它们产生分歧，通信则可能放大噪声。理解这种耦合对于设计可靠的多智能体LLM系统至关重要。

并行的工作已经记录了收敛现象：LLM集成中的表征崩溃 (Patel, 2026 (https://arxiv.org/html/2607.01600#bib.bib13))，标注任务中跨智能体的涌现收敛 (Parfenova et al., 2025 (https://arxiv.org/html/2607.01600#bib.bib14))，LLM推理中的从众效应 (Cho et al., 2025 (https://arxiv.org/html/2607.01600#bib.bib15))，多智能体辩论中的顺从性和人格不稳定性 (Baltaji et al., 2024 (https://arxiv.org/html/2607.01600#bib.bib16))，以及交互智能体中的贝叶斯社会学习 (Jain and Krishnamurthy, 2024 (https://arxiv.org/html/2607.01600#bib.bib17))。然而，这些观察缺乏标准化的测量协议，该协议需要 (a) 将通信隔离为因果机制，(b) 在不同条件和模型之间以共同尺度量化耦合强度，以及 (c) 区分瞬时的、提示驱动的影响与累积的观点更新。

我们引入了 Boundary_Sync，这是一种将通信视为受控实验变量的测量协议。智能体在接收通过自然语言协议消息混合的邻居输出的同时，迭代地生成对刺激的结构化概率评估。耦合放大因子（CAF = JSD_cond / JSD_baseline）通过孤立基线中观察到的偏移来归一化通信下每智能体输出的变化，从而产生一个无量纲的耦合度量。

利用生产环境API上的GPT-4o（每种条件N=30，三个实验运行共约9,900次API调用），我们在基于文本和基于图像的通信场景中测量耦合。此外，我们在DeepSeek V4 Pro（N=30）和Qwen3.7-Plus（N=10）上复制了关键发现。

我们的具体贡献是：

1. 1.**通信诱导均质化的因果证据。**使用BOUNDARY_SYNC的文本通信导致GPT-4o的显著均质化（CAF=0.803，d=1.30），通过 (i) 无通信消融实验（效果消失，CAF=0.978，n.s.）以及 (ii) 提示扰动控制（用不相关的维基百科文本替换邻居共识，效果消除，CAF=1.082）得到确认。这些控制确立了均质化是**社会性**的——由同伴生成的共识驱动，而非泛化的提示扰动。CAF的降低应被解释为在没有自我控制情况下的社会耦合上限（§6 (https://arxiv.org/html/2607.01600#S6)）。
2. 2.**使用合适基线的模态比较。**当针对特定模态的无通信基线进行评估时，文本通信（CAF_text=0.816）和图像通信（CAF_image=0.834）都产生幅度**比例相当**的显著均质化。然而，图像条件分布表现出更高的基线多样性（无通信JSD为0.268<sup>1</sup> vs. 文本的0.208），这意味着视觉任务的**绝对**均质化效应更大。这重新定义了设计挑战，从“哪些模态会均质化？”转变为“每种模态有多少基线多样性，以及在通信下损失了多少？”
3. 3.**群体规模作为耦合方向的调节因素。**将文本通信复制为K=3个智能体而非K=5个，产生的CAF高于1.0（点估计值1.14和1.06，CI待定），表明方向转向多样化而非均质化。将图像通信扩展到K=5个（从默认的K=3个）产生了观察到的最强均质化（CAF=0.74）。因此，群体规模不仅是一个需要控制的混淆变量，更是多智能体系统的主要设计参数。现在可以进行尺寸匹配条件下的跨模态比较。
4. 4.**跨模型变异与伪影识别。**在所有三个测试模型中都出现了均质化，但存在极端变异。DeepSeek V4 Pro产生接近零的CAF（0.034），但我们证明这主要由格式伪影（受限的JSON输出、禁用推理）主导，而非真正的社会耦合。GPT-4o保留了大量的残余多样性（CAF≈0.80），而Qwen3.7-Plus介于两者之间（CAF=0.391）。24倍的差异应被视为上限估计。
5. 5.**无状态的、提示驱动的耦合。**在切换共识下的逐轮JSD轨迹表现出明显的锯齿模式——当提供共识时JSD下降，当移除时立即反弹——没有跨轮次的累积漂移。一种连续共识变体产生单调收敛到接近零的JSD。耦合完全由即时提示上下文驱动，这与经典观点动力学模型预测的累积收敛相矛盾。

## 2 相关工作

### 2.1 多智能体LLM系统

多智能体LLM系统利用通信进行协作推理 (Du et al., 2024 (https://arxiv.org/html/2607.01600#bib.bib8); Wu et al., 2024 (https://arxiv.org/html/2607.01600#bib.bib10))、辩论 (Li et al., 2023 (https://arxiv.org/html/2607.01600#bib.bib7); Chu et al., 2025 (https://arxiv.org/html/2607.01600#bib.bib23))、跨不同智能体构建共识 (Chen et al., 2024 (https://arxiv.org/html/2607.01600#bib.bib11); Wu and Ito, 2025 (https://arxiv.org/html/2607.01600#bib.bib12)) 以及社会模拟 (Park et al., 2023 (https://arxiv.org/html/2607.01600#bib.bib9))。这些系统通常假设通信要么提高输出质量，要么至少不会损害输出质量。我们的工作通过测量通信**是否改变了输出分布本身**（独立于任务准确性）来检验这一假设。

### 2.2 收敛与崩溃现象

LLM委员会中的表征崩溃 (Patel, 2026 (https://arxiv.org/html/2607.01600#bib.bib13)) 记录了集成多样性如何随重复采样而退化；角色提示下的人格崩溃和均质化得到进一步记录 (Xiao et al., 2026 (https://arxiv.org/html/2607.01600#bib.bib21))。跨LLM智能体的涌现收敛已在标注任务中观察到 (Parfenova et al., 2025 (https://arxiv.org/html/2607.01600#bib.bib14))。基于LLM的多智能体系统中的从众行为 (Cho et al., 2025 (https://arxiv.org/html/2607.01600#bib.bib15)) 显示，当暴露于同伴的置信度信号时，智能体将其输出与同伴对齐。多智能体辩论中的顺从性和人格不稳定性 (Baltaji et al., 2024 (https://arxiv.org/html/2607.01600#bib.bib16)) 揭示了LLM智能体因感知到的同伴压力而频繁改变观点——这一脆弱性在KAIROS (Song et al., 2025 (https://arxiv.org/html/2607.01600#bib.bib18)) 中得到了系统性基准测试，并在观点变化动态 (Mehdizadeh and Hilbert, 2025 (https://arxiv.org/html/2607.01600#bib.bib19)) 和社会影响模拟 (Lin et al., 2025 (https://arxiv.org/html/2607.01600#bib.bib20)) 的研究中得到了进一步表征。交互智能体中的贝叶斯社会学习 (Jain and Krishnamurthy, 2024 (https://arxiv.org/html/2607.01600#bib.bib17)) 通过统计信号处理形式化了从众行为，而包括多智能体辩论中级联错误在内的失败模式已被编目 (Wynn et al., 2025 (https://arxiv.org/html/2607.01600#bib.bib22))。这些研究侧重于准确性结果和行为模式，而非提供标准化的、条件归一化的度量来量化耦合强度。

### 2.3 观点动力学

经典观点动力学模型——包括DeGroot加权平均 (DeGroot, 1974 (https://arxiv.org/html/2607.01600#bib.bib1))、Friedkin-Johnsen社会影响 (Friedkin and Johnsen, 1990 (https://arxiv.org/html/2607.01600#bib.bib2))、有界置信 (Hegselmann and Krause, 2002 (https://arxiv.org/html/2607.01600#bib.bib3); Deffuant et al., 2000 (https://arxiv.org/html/2607.01600#bib.bib4)) 以及更广泛的社会影响分类 (Flache et al., 2017 (https://arxiv.org/html/2607.01600#bib.bib5); Hassani et al., 2022 (https://arxiv.org/html/2607.01600#bib.bib6))——预测智能体在重复平均下会收敛到加权共识。我们的工作检验LLM智能体是否遵循这些预测。关键区别在于，DeGroot风格的模型假设跨轮次累积的持久内部状态，而我们的数据表明LLM耦合是无状态的——仅由当前提示上下文驱动。

## 3 方法

### 3.1 协议概述

每个实验由K个智能体组成，在T=10个时间步长上迭代分析一个刺激。对于**文本条件** (C1, C3)，智能体收到关于评估职业场景中性别刻板印象的一般指令；主要实验中未提供显式段落，因此响应反映了模型先验。对于**图像条件** (C5)，通过GPT-4o的视觉API提供程序生成的合成场景图像（512×384，五个职业场景：董事会、护理、建筑、教室、服务器机房），智能体生成对视觉内容的结构化概率评估——输出与文本条件相同的5类别概率分布。

为了检验缺乏具体文本刺激是否影响耦合，我们在显式文本段落上复制了C3同步（N=5试点；C3同步CAF从0.80降至约0.60——这一方向性趋势与无刺激设计更保守的假设一致——但N=5的结果是初步的，已标注；完整N=30复制待进行）。

### 3.2 通信协议

#### 独立响应。

每个智能体使用其人格特定的系统提示和温度独立调用GPT-4o的API。使用五种人格：活动家（温度1.1，性别平等倡导者）、传统主义者（0.9，传统导向视角）、数据驱动者（1.0，基于证据的社会学家）、交叉性研究者（1.0，交叉性研究者）和字面主义者（0.8，文本形式主义者）。人格变异是刻意设计的选择，以防止相同种子导致人为的低基线多样性。