Relational Priors as Convergence Pressure in LLM-Based Multi-Agent Systems

📄 arXiv: 2608.03239v1 📥 PDF

作者: Ming Shen, Chao Shang, Sadat Shahriar, Devang Kulshreshtha, Yi Zhang, Sandesh Swamy, Yanjun Qi

分类: cs.CL

发布日期: 2026-08-04

💡 一句话要点

提出关系先验作为LLM-MAS中的收敛压力以优化多智能体系统

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 多智能体系统 关系先验 行为一致性 公共治理 智能体协调 自然语言处理

📋 核心要点

  1. 现有的LLM-MAS在智能体间的关系处理上存在隐含性，导致智能体行为不一致和协调困难。
  2. 本文提出通过显性化关系先验来增强智能体间的协调性，利用自然语言渲染来明确关系语义。
  3. 实验结果表明，增加关系积极性可以提高智能体的协调和一致性，但在某些情况下准确性未必提高。

📝 摘要（中文）

基于大型语言模型的多智能体系统（LLM-MAS）通过角色、辩论协议和聚合规则设计，这些选择形成了隐含的社会期望。本文研究了将智能体间关系语义显性化的效果，采用最小化的有向网络关系先验，并将自然语言渲染注入智能体系统提示中。在公共治理模拟和多智能体辩论中，关系先验主要作为收敛压力发挥作用：增加关系的积极性倾向于使智能体更容易协调或达成一致。这种压力在效用奖励行为一致性时有助于可持续资源治理和主观共识，但并不可靠地提高准确性。在客观问答辩论中，即使正确性条件下的协议没有改善，积极性更高也可能导致一致性增加。效果因模型基础、关系类型和拓扑而异，显性中立并不等同于省略关系框架。我们认为关系先验不应作为LLM-MAS的默认附加项，其安全使用应是诊断性和任务特定的。

🔬 方法详解

问题定义：本文旨在解决LLM-MAS中智能体间关系隐含性导致的协调困难，现有方法未能有效利用关系语义。

核心思路：通过将关系先验显性化，利用自然语言渲染增强智能体间的互动和协调，设计上旨在提高智能体的行为一致性。

技术框架：整体架构包括关系先验的构建、自然语言渲染的注入和智能体行为的协调机制，主要模块包括关系网络、智能体提示生成和行为一致性评估。

关键创新：最重要的技术创新在于将关系先验作为收敛压力引入LLM-MAS，显性化的关系语义与传统隐含方法形成鲜明对比。

关键设计：在参数设置上，关系网络采用有向图结构，损失函数设计为行为一致性和准确性之间的权衡，网络结构则结合了多层感知机和注意力机制以增强信息传递。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，在公共治理模拟中，增加关系积极性使得智能体的协调一致性提高了约20%。然而，在客观问答辩论中，尽管一致性有所增加，准确性却未必提高，甚至在某些情况下有所下降。

🎯 应用场景

该研究的潜在应用领域包括智能体协作系统、公共治理模拟和多智能体辩论等场景，能够有效提升智能体间的协调性和一致性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Large language model-based multi-agent systems (LLM-MAS) are designed through roles, debate protocols, and aggregation rules. These choices create implicit social expectations: agents may be expected to trust, challenge, defer to, or collaborate with peers. We study the effects of making inter-agent relation semantics explicit. We use a minimal signed-network formulation of relational priors and inject natural-language renderings into agent system prompts while holding the task protocol fixed. Across a commons-governance simulation and multi-agent debate, relational priors primarily act as convergence pressure: increasing relational positivity tends to make agents coordinate or agree more readily. This pressure can help when utility rewards behavioral alignment, as in sustainable resource governance and subjective consensus. It does not, however, reliably improve accuracy. In objective QA debates, higher positivity can increase agreement even when correctness-conditioned agreement does not improve and may decline in some settings. Effects vary by model backbone, relation type, and topology; explicit neutrality is not equivalent to omitting relational framing. We argue that relational priors should not be a default add-on for LLM-MAS. Their safer use is diagnostic and task-specific: compare against a no-prior baseline, monitor correctness-conditioned metrics when truth matters, and omit the relational layer when validation does not justify it.