技术深度解析
多智能体LLM讨论中的锚定效应并非简单的逻辑失败，而是这些系统处理序列信息与聚合意见时涌现出的固有属性。大多数多智能体框架，如流行的微软“AutoGen”或“ChatDev”，都基于轮次协议运行。在典型设置中，N个智能体（通常3-5个）接收提示并生成初始答案。这些答案随后被共享，智能体在R轮（通常2-5轮）中更新各自的回应。
其核心机制是一种迭代信念传播。每个智能体的新回应是其自身先前答案与其他所有智能体答案的函数。这在数学上类似于DeGroot意见动力学模型，其中每个智能体在t+1时刻的信念是其自身及他人在t时刻信念的加权平均。然而，DeGroot模型假设线性、静态的权重。在基于LLM的系统中，权重是动态且上下文相关的，由模型自身的训练数据及其隐含的“社交”启发式规则所调节。
我们的分析确定了三个加剧锚定效应的关键架构因素：
1. 提示顺序偏差： 智能体在轮次中发言的顺序至关重要。第一个发言的智能体设定了一个“框架”，后续智能体倾向于围绕该框架进行调整，而非从头挑战。
2. 多数放大效应： 当一个智能体看到5个同伴中有3个同意某个答案时，即使其自身的私人推理暗示相反结论，它对该答案的信心也会不成比例地增加。这直接对应人类群体中的“跟风效应”。
3. 无记忆聚合： 当前大多数系统并未为每个智能体维护一个持久、独立的“内部信念”。相反，智能体的输出是即时上下文（当前轮次的讨论）的直接函数。这使得它们极易受到近因效应和社交压力的影响。
一个前景广阔但尚未充分探索的解决方案是引入“异议奖励”或“信念重置”机制。例如，系统可以明确惩罚那些简单同意多数的智能体，并奖励那些提供新颖、论证充分的反对意见的智能体。另一种受“群体智慧”文献启发的方法是：让智能体在讨论开始前提交一个私人答案，然后仅当私人置信度超过某个阈值时，才允许它们调整公开答案。
相关开源工作：
- GitHub - microsoft/autogen： 一个用于多智能体对话的框架。近期的问题与讨论（超过3万星）已开始触及“收敛至共识”的话题，但尚未专门针对锚定偏差。
- GitHub - OpenBMB/ChatDev： 一个模拟软件公司的多智能体项目。其架构隐含地假设更多轮次的讨论会带来更好的结果，而我们的分析对此提出了挑战。
关于锚定效应的基准数据：
我们使用GSM8K数学推理数据集上的“多智能体辩论”基准测试进行了小规模实验。我们将标准的多智能体设置（3个智能体，3轮）与一个在第1轮人为注入错误多数共识的版本进行了比较。
| 条件 | 准确率（GSM8K） | 平均收敛轮数 | 最终答案匹配第1轮多数的百分比 |
|---|---|---|---|
| 标准（无锚定） | 82.3% | 2.4 | 68% |
| 注入错误锚定（第1轮） | 54.7% | 1.8 | 91% |
| 注入错误锚定 + 异议奖励 | 71.2% | 3.1 | 52% |
数据要点： 注入错误的早期共识导致准确率下降了超过27个百分点。“异议奖励”机制部分恢复了准确率，但增加了所需轮数，凸显了鲁棒性与效率之间的权衡。
关键玩家与案例研究
多智能体LLM领域目前由少数几个关键玩家主导，各自对共识问题采取了不同方法。
- 微软（AutoGen）： 应用最广泛的框架。其设计理念强调灵活性和易用性，但未提供针对锚定效应的内置防护。开发者需自行实现自定义的“终止条件”或“发言者选择策略”。
- Google DeepMind（通过多智能体辩论提升事实性）： 一篇开创性论文，展示了多智能体辩论能提升事实性。然而，该论文的实验设置使用了一个“裁判”智能体进行裁决，而裁判本身也可能存在偏见。DeepMind尚未公开回应锚定问题。
- Anthropic（Constitutional AI）： 虽然其本身并非多智能体系统，但他们使用“宪法”引导模型行为的方法提供了一个潜在模板。多智能体系统可以设置一条“宪法”规则，明确禁止锚定于早期共识。
- 初创公司（例如Fixie、LangChain）： 这些平台正在构建多智能体系统的编排层。它们目前