带有隐藏编排器的多智能体辩论：在免费额度 API 上运行的实践心得
摘要
一位实践者分享了在免费额度 API 上运行带后端隐藏编排器的多智能体辩论系统的经验，发现对立人设比相同人设表现更好，而且速率限制反而意外提升了辩论质量。这正是正在开发中的 Lunaar 的核心——一款 BYOK、免费的多智能体辩论工具。
**设置：** 多个具有不同人设的机器人围绕一个问题展开辩论，一个完全运行在后端的编排器（无 UI、无可见的智能体）决定何时停止以及由谁接下一个发言。
**目前的发现：**
- **对立的偏见胜过相同的人设。** 使用相同提示词的同模型智能体只会互相附和。
- **看不到你原始问题框架的裁判会更加诚实。**
- **免费额度的速率限制迫使每轮发言变短，反而意外提升了辩论质量。**
这正是我正在构建的 Lunaar 的核心：BYOK（自带密钥）、完全免费、默认不在我这边存储任何密钥。
很好奇其他人是如何处理编排问题的。你们是通过一次 LLM 调用来选出下一位发言者，还是采用固定的轮换顺序？
相似文章
ClawArena-Team: 在语言模型代理中基准测试子代理编排和动态工作流
介绍了ClawArena-Team，这是一个基准测试，用于衡量单个语言模型作为领导者，通过动态工作流创建、委托和编排子代理的管理能力。实验表明，权限授予是一个瓶颈，成本与管理质量脱钩，大多数模型在性能上聚集，而编排行为则差异很大。
生产环境中的多智能体：在实践中是什么样的，你们又放弃了哪些做法？
一篇社区讨论帖，询问实践者生产环境中的多智能体 LLM 系统究竟是什么样的——他们采用了哪些架构、放弃了哪些方案，以及如何处理流程控制、评估和人工介入。
我重建了我的私有“AI开发团队”——它实际上只是一个硬编码的工作流——将其作为一个基底，使得编排从指令中涌现。以下是我的经验教训（以及它在哪里发生死锁）。
作者将其私有AI开发团队重建为一个开源的基底，包含可寻址的代理、可靠的消息传递、专长发现、记忆和隔离的运行时，使得团队行为能够从自然语言指令中涌现。他们分享了关于死锁和自我修复等协调挑战的见解，并提出了代理团队如何通过自然语言指令进行协作的问题。
潜在智能体：一种内化多智能体辩论的后训练方法
波士顿大学的研究人员提出了 IMAD（内化多智能体辩论），这是一个两阶段微调框架，能够将多智能体辩论过程提炼至单个 LLM 中，在匹配甚至超越显式多智能体辩论性能的同时，实现最高 93% 的 token 用量缩减。该研究还揭示了激活空间中存在特定于智能体的子空间，从而可以对内化推理行为进行有效控制，包括抑制恶意智能体的影响。
是否真的有人能良好地编排多智能体工作流，还是我们都在拼凑应付？
一篇反思性文章，质疑是否有人成功实现了多智能体AI工作流编排，而没有诉诸临时解决方案。