多智能体系统在隐藏模型标签时能更好地协作

由不同模型组成的 AI 团队，如果不知道每项贡献由哪个模型家族产生，可能会更好地协作。研究人员测试了最多由五个开放权重模型家族组成的团队，发现 100 次不带标签的 25 智能体 Exclusion 实验中有 88 次达成了一致，而带标签的实验一次也没有。如果这一结果能够延续到生产工作流中，那么办公软件团队就可以在不知道每条意见由谁生成的情况下，协调一份合同、一张电子表格和一份政策手册，同时由运营人员保留溯源信息，以便审计。

由不同模型组成的 AI 团队目前可能会浪费时间互相争论，有时甚至无法确定答案，即使每个智能体都接到了相同的任务。提示词或消息标头中的标签，可以告诉一个智能体，另一个智能体使用的是哪家供应商或哪个模型家族。这些信息对运营人员可能有用，但也可能让智能体围绕一个与任务无关的区别结成群体。

为什么身份会进入对话

多智能体系统会把工作分配给多个语言模型。智能体之间可以交换消息、批评彼此的答案、投票，或共同选择最终答案。使用不同的模型家族可以提供不同的能力，或减少对单一供应商的依赖。但这也意味着，协调本身成为系统设计的一部分。

模型身份可以通过系统提示词、名称或消息标头传递给智能体。编排器——也就是负责指挥智能体的系统部分——可能需要这些信息来进行路由、调试、校准和问责。智能体自身则未必需要看到这些信息。

这一差别很重要，因为可见的身份并不总是一个中性的事实。如果一个智能体知道另一个智能体来自某个特定的模型家族，整个群体可能会开始围绕这个标签组织起来，而不是围绕它们必须完成的工作组织起来。

隐藏标签会改变博弈

研究人员测试了由最多五个开放权重模型家族组成的团队。智能体参与了 Leader Election、Exclusion 和 GPQA-Diamond 问答任务；在这些任务中，团队必须进行协调或得出答案。

关键变化很简单：智能体能否看到自己的模型家族标签。在一些实验中，标签被有意打乱，因此智能体被告知自己属于一个与真实情况不同的家族。随后，团队依据公布的标签，而不是底层的模型家族展开行动。当模型家族名称被替换成中性的颜色标签时，也出现了同样的效果。智能体是在对可见的类别作出反应，而不一定是在对模型工作方式的真实差异作出反应。

当不显示任何身份元数据时，围绕标签形成的派系也消失了。编排器仍然可以保留身份信息，用于路由和审计；只是没有把这些信息放进同伴智能体共享的对话中。

这种差异代价不小。在严格的协作任务中，带标签的团队平均多使用 55% 的 token。论文还报告称，带标签团队的平均成功率从不带标签团队的 96% 降至 81%。在 25 智能体 Exclusion 实验中，带标签的实验一次也没有在规定时间内达成一致，而不带标签的 100 次实验中有 88 次达成了一致。

因此，论文的核心主张并不是某个模型优于另一个模型，而是告诉智能体某项贡献由谁完成这一做法本身，就可能改变它们的协作方式。移除这项信息是一个很小的系统设计选择，但它可以在不改变模型或任务的情况下，消除一个冲突来源。

一个不带标签的团队可能是什么样

设想这样一种办公流程：一个人要求软件团队协调一份合同、一张电子表格和一份政策手册。智能体交换证据，并返回一个答案。如果论文中的受控任务所得结果能够迁移到生产工作流中，那么对话中可以不显示每条意见由哪家公司或哪个模型家族生成。团队将根据眼前的贡献接受评判，而不是根据公布的内群体或外群体接受评判。

这种未来取决于把溯源信息——即每项贡献来自何处的记录——保留在智能体共享对话之外。运营人员仍然需要这些信息来追踪错误、分配工作和审计系统。该来源只报告了使用开放权重模型进行的受控、纯文本任务。更大的团队、闭源模型、其他解码方法以及更丰富的工作流仍未经过测试。实际问题在于，同样简单的分离方式——让运营人员知道身份，而不是让同伴知道身份——能否让真实的 AI 团队少花精力争论谁在说话，多花精力解决需要解决的问题。

来源

arXiv，“Prompted Identity Degrades Cooperation in Multi-Agent LLM Systems”