作为协调控制的领导力：多智能体大语言模型团队中的行为特征与恢复优势边界

# 领导力作为协调控制：多智能体LLM团队中的行为特征与恢复优势边界  
来源: https://arxiv.org/html/2606.19111

###### 摘要  

团队科学认为，领导力是*权变的*：它只在特定条件下才有帮助，而能力足够、自主性强的团队可能完全不需要领导。我们对多智能体LLM团队提出类似问题：在何种*可测量*条件下，过程层面的协调控制能增加价值，而这些条件是否与团队科学预测的一致？回答这个问题需要测量，而不仅仅是准确率：我们使用*行为特征*（多数锁定、探索、从错误的第0轮共识中恢复）和*逐动作消融*，因为每个控制器是显式的动作集而不是一个整体提示，因此消融是干净的。我们将三种经典领导风格（交易型、变革型、情境型）操作化为对共享动作词汇（探索、修订、接受、综合）的控制器，保持智能体集合和最终聚合固定。团队科学（Hackman, 2002；Bass, 1985；Hersey & Blanchard, 1969）提供了理论基础：Bass的双成分结构映射到`接受`和`修订`动作，从而给出了交易型控制器的分解。一个使用相同动作但采用*任意*规则的控制器的表现不比多数投票更好，因此起作用的是理论推导的规则，而不是词汇本身。在四个任务场景和三个开源模型家族（使用同一后端）中，没有任何控制器在准确率上占优，正如权变观点所预测的。与一个*共享的*第0轮投票（一次性生成并在各条件下复用）相比，交易型控制在所有12个（模型，场景）组合中与投票的差距在1.3个百分点以内，而在36个领导力条目中，准确率提升仅出现在两处——变革型和情境型，且均在单一的`llama-4-scout`+社会规范组合上，此时第0轮多数投票不可靠。与更强的平坦基线相比，只有情境型仍然有增益（+8个百分点）。一个*恢复优势*解释——通过四个边界探测进行测试——指出控制器何时胜过简单交互：仅当第0轮多数投票不可靠、任务可恢复、且无导向的互动尚不能自行修复时。这些条件对应于权变理论（领导力替代品、路径-目标冗余、以及情境准备度差距），因此一个大部分为零的准确率结果正是理论所预测的，而不是控制器的失败。我们将过程层面的协调控制视为需要测量和理论映射的权变因素，而不是要登顶的排行榜。

## 1 引言  

大语言模型（LLM）智能体越来越多地部署在协作环境中，多个智能体进行讨论、相互批评并产生联合答案。最近的多智能体系统（MAS）工作探索了几种优于单智能体推理的工程模式：多智能体辩论（Du等人，2023；Liang等人，2024；Chan等人，2024），角色专业化与流水线分解（Hong等人，2024；Wu等人，2024；Li等人，2023；Chen等人，2024），以及自我优化或批评-解决循环（Madaan等人，2023；Shinn等人，2023）。这些模式在*知识层面*运作：它们决定智能体推理什么，推理如何在智能体间分解，或者候选答案在最终聚合前是否被优化。协调则隐含在辩论格式、分解规则或优化循环的选择中。我们提出一个互补的、*过程层面*的问题：给定固定的智能体集合和固定的知识组合方案，什么控制词汇决定了分歧如何在多轮中被提出、修订、接受或重新开始，以及这些不同选择如何塑造集体行为？

团队科学表明答案是条件性的。领导力并非普遍有益，而是*权变于*团队状态：下属能力和清晰的任务可以完全*替代*领导力（Kerr & Jermier, 1978），而领导者只有在提供了团队本来得不到的功能时才增加价值（Hackman & Walton, 1986）。因此更尖锐的问题是*何时*、在何种可测量条件下，过程控制能增加价值，以及这些条件是否与团队科学预测的一致。

我们提出两个方法论基元来研究这个过程层面的问题。首先，*行为特征*（多数锁定、探索率、从错误第0轮共识中恢复、以及异议保存——后者反映在恢复率中；第4.4节）取代单一数字的准确率作为主要测量目标。最终准确率有信息量，但在不同模型和场景组合间变化剧烈，且对每个模型的随机性敏感（附录B.6）；行为特征，尤其是多数锁定，产生的控制器内对比即使在绝对准确率排序变化时也能复现。其次，*逐动作消融*揭示了控制器的哪些成分在哪个场景中发挥作用。每个控制器被指定为一个小的、显式的控制动作集，而不是一个黑箱提示，因此移除或替换一个动作而保持其他动作活跃是一种干净的操作。基于提示的控制器无法提供同样干净的组件级消融，因为提示文本与行为组件之间的映射通过LLM的解释进行。

作为实质性案例研究，我们将三种经典领导风格（交易型、变革型、情境型）操作化为过程层面控制器，作用于一个小型的交互级动作空间（例如`探索`、`修订`、`接受`、`综合`；完整集合见第4.3节）。团队科学（Hackman, 2002；Salas等人，2005；Bass, 1985；Hersey & Blanchard, 1969）提供了有原则的基础：一个过程、认知和情感协调层面的理论组织（我们专注于前者），以及可分解为组件的动作集。Bass的双成分结构（权变奖励、例外管理）直接映射到交易型控制器内的`接受`和`修订`动作，而一个平行的分解（广播目标、差异化指令）适用于变革型控制器。这个基础提供了理论依据的动作分解，而不是超越已在知识层面探索的多智能体辩论、角色专业化和自我优化之外的新协调机制。控制器决定的不是智能体应该思考什么，而是团队是否应该重新开始讨论、减少分歧或结束本轮；这两个层面是互补的，我们的过程层面词汇与现有的知识层面机制组合使用，而不是替代它们。

我们在四个任务场景（封闭式QA（Talmor等人，2019；Geva等人，2021），溯因模糊性（Bhagavatula等人，2019），社会规范模糊性（Forbes等人，2020），以及一个混合这三者的工组负载基准）上测试这些方法，使用三个通过同一推理后端服务的开源权重模型家族（`gpt-oss-120b`，`llama-4-scout`，`gemma-4-31B-it`），再加上第二层的四个边界探测（跨领域扩展到MATH-500 Level 5（Hendrycks等人，2021；Lightman等人，2024），对抗性NLI（Nie等人，2020），Winogrande（Sakaguchi等人，2021），以及一个有争议的道德判断集（Lourie等人，2021）），这些探测故意变化第0轮可靠性和可恢复性（第6节）。

发现回答了权变问题。正如权变观点所预测的，没有任何控制器在准确率上占优，而一个控制器有帮助的条件由单一可测量轴组织：独立第0轮多数投票的可靠性（它正确的频率）：控制器仅在多数投票不可靠、任务可恢复（其错误多数可被修复）、且无导向的互动尚未自行修复时增加价值。然后我们将这个测量到的边界映射回团队科学权变理论（第6.3节），其中每个区域对应一个命名概念：领导力替代品、路径-目标冗余（无导向互动已能到达答案，因此指导不增加任何东西）、以及情境准备度差距（团队可以改进，但需要指导）。

我们的贡献是：

- • **两个用于过程层面协调控制的测量基元**：*行为特征*作为主要科学对象替代单一数字准确率，以及*逐动作消融*通过将控制器表示为小的显式动作集来分解它。它们产生控制器内和组件内的对比（最稳健的是多数锁定），这些对比在整个矩阵中复现，即使准确率排序不同。逐动作消融只有在某个组件足够频繁地被激活以进行测量时才有诊断意义；如果一个组件是休眠的，该方法揭示这一事实而不是产生一个误导性的零结果。
- • **将三种经典领导理论操作化为过程层面控制器**：该方法的第一个实质性案例研究，团队科学为可分解组件的动作集提供了有原则的基础。
- • **每个控制器增益的分解为*恢复*和*破坏***：恢复修复错误的第0轮多数，破坏则破坏正确的多数，这使得多智能体讨论的内部动态变得清晰可读，而单一准确率数字对此保持沉默。它将原本分散的控制器标签结果重新组织到一个可测量轴上——独立第0轮多数的可靠性——并分离出*相对于简单交互的恢复优势*作为控制器赢得其结构的精确条件，该条件在恰好一个组合中满足，即预测景观的顶点而非幸运抽奖（第6节）。
- • **从测量边界映射回领导力权变理论**（第6.3节）：可靠的第0轮充当*领导力替代品*，不可恢复的任务没有潜在能力可激活，无导向的恢复使控制变得*冗余*（路径-目标），而控制有帮助的唯一区域是情境领导力预测的*准备度差距*，因此一个大部分为零的准确率结果正是权变观点所期望的，而不是控制器的失败。

## 2 相关工作  

##### 多智能体LLM系统中的过程和知识层面协调。  
最近的多智能体系统文献探索了几种优于单智能体推理的工程模式。*多智能体辩论*（MAD）变体（Du等人，2023；Liang等人，2024；Chan等人，2024）让智能体独立提出，然后迭代批评和修订趋向共识，通过多数投票或最终轮判断进行聚合。*角色专业化与流水线分解*框架（Hong等人，2024；Wu等人，2024；Li等人，2023；Chen等人，2024）为不同智能体分配不同角色、子任务或流水线位置，并相应路由通信。*自我优化和批评-解决循环*（Madaan等人，2023；Shinn等人，2023）使用单个智能体（或批评头）通过结构化反馈迭代改进输出。这些机制主要在*知识层面*运作：它们塑造*每个智能体推理什么*，*哪个智能体贡献哪个子任务*，或者*候选答案是否在最终聚合前进一步优化*；协调则隐含在辩论格式、分解规则或聚合过程的选择中。我们的工作是互补的。我们保持智能体集合和最终聚合步骤固定，研究一个小的*过程层面*动作词汇（何时探索、修订、接受或综合，附带策略特定的扩展），它塑造的是轮次间交互动态，而非智能体推理的实质性内容。我们在附录B.8中直接与一个对等MAD基线进行比较。

##### 行为测量与组件级控制器分析。  
大多数MAS评估报告最终准确率、轮次和令牌成本；轨迹级行为指标的报告不规则，且很少作为主要测量目标（Du等人，2023；Liang等人，2024；Chan等人，2024；Hong等人，2024；Madaan等人，2023）。确实出现的过程指标（轮流次数、一致率、重试频率）通常是描述性附加，而不是区分控制器的工具。随之产生两个方法论空白。首先，行为测量在与具有显式动作集的控制器配对时最为清晰：像锁定和恢复这样的特征在知道哪个控制动作“锁定”或“重新开始”时对比最干净。其次，MAS控制器的组件级消融并不常见，因为控制器通常被指定为整体提示；消融提示片段并不能干净地消融一个行为组件。我们通过将控制器表示为理论推导的显式动作集来解决这两个空白，这使得行为特征在不同控制器之间可比，且逐动作消融因构建而干净。多数投票是多智能体LLM系统的强基线这一认识日益增强；我们的贡献不是这个观察，而是将其定位化的测量：一个共享第0轮归因和恢复/破坏分解，识别出哪些控制器在何处以何种机制增加了超过投票和超过简单交互的价值。一个匹配的任意控制器（相同动作集随机分配）的表现不比多数投票更好（附录B.9）。