多Agent共识决策：从投票到拜占庭容错的协议级实测

概述

当多个LLM Agent需要在同一问题上达成一致时，"怎么决策"比"谁来执行"更关键。2025-2026年间，多Agent共识协议研究从简单的多数投票演化为拜占庭容错的分布式共识，催生了SAC（自锚定共识）、CONCAT（置信度驱动临时组队）、CONSENSAGENT（共情触发共识）等一整套新范式。AAAI 2026、ACL 2025、NeurIPS 2025三大顶会密集发表相关工作，揭示了核心发现：投票协议在推理任务上提升13.2%，但面对幻觉Agent的"毒性传播"，仅有投票远远不够——拜占庭容错共识才是多Agent系统的安全底座。本文从七种决策协议对比出发，逐一拆解SAC、BlockAgents、Aegean等六大共识框架的架构原理与实测表现，给出从投票到BFT的渐进式选型路径。

一、为什么共识协议是多Agent系统的"生死线"

单Agent的幻觉是偶发事故，多Agent的共识失败是系统性灾难。当3个Agent中有1个持续输出幻觉答案，多数投票尚可兜底；但当5个Agent中有2个被对抗性提示劫持，简单投票会在"错得更一致"的方向上加速坍塌。

这个问题不是理论推演，而是生产系统的现实威胁。AAAI 2026论文《Rethinking the Reliability of Multi-agent System》（Zheng等）首次从拜占庭容错角度量化了LLM Agent的可靠性：在GSM8K等推理基准上，单Agent的"诚实错误率"约为7-12%，但在多Agent设置中，当错误Agent的输出被其他Agent引用后，错误传播率高达34%——是单Agent错误的3-4倍。

这揭示了一个反直觉的规律：多Agent系统如果缺乏共识协议保护，比单Agent更不可靠。

graph TD
    A[多Agent输入] --> B{共识协议层}
    B --> C1[投票类协议]
    B --> C2[辩论类协议]
    B --> C3[拜占庭容错协议]

    C1 --> D1[多数投票]
    C1 --> D2[一致同意]
    C1 --> D3[加权投票]

    C2 --> D4[自由辩论]
    C2 --> D5[法官裁决]
    C2 --> D6[自适应稳定检测]

    C3 --> D7[SAC自锚定共识]
    C3 --> D8[BlockAgents链上共识]
    C3 --> D9[置信度引导BFT]

    D1 --> E[输出决策]
    D2 --> E
    D3 --> E
    D4 --> E
    D5 --> E
    D6 --> E
    D7 --> F[经过容错验证的输出]
    D8 --> F
    D9 --> F

    style C3 fill:#ff6b6b,color:#fff
    style F fill:#51cf66,color:#fff
    style E fill:#ffd43b,color:#333

二、七种决策协议实测：投票vs共识的13.2%差距

2.1 实验设计

ACL 2025 Findings论文《Voting or Consensus? Decision-Making in Multi-Agent Debate》（Kaesberg & Becker, arXiv:2502.19130）是目前最系统的多Agent决策协议对比研究。论文控制了唯一的变量——决策机制——将多Agent辩论后的裁决方式分为7种：

2.2 核心发现

论文在GSM8K、MATH、ARC等基准上的测试结果揭示了三条关键规律：

规律一：投票协议在推理任务上提升13.2%。多数投票（Majority Voting）在数学推理任务上的表现最为稳定，相比无辩论基线提升13.2%。而共识类协议在创意任务上更优，提升8.7%。这符合直觉——推理问题有客观正确答案，投票的"统计优势"直接有效；创意问题需要观点碰撞，共识过程能产生更优解。

规律二：Agent数量存在"共识甜蜜点"。3-Agent设置下多数投票性价比最高（成本增加3倍，准确率提升13%）；5-Agent设置下共识类协议开始反超投票（辩论收敛质量提升）；7-Agent以上边际收益急剧递减，Token成本线性增长但准确率仅提升1-2%。

规律三：一致同意（Unanimous）是最差的协议。Unanimous协议在所有任务上的表现都低于基线——因为要求所有Agent达成一致，任何一个固执的错误Agent都会导致系统陷入僵局或被迫妥协到最低质量的共同答案。

2.3 代码实现核心片段

# 七种决策协议的核心抽象（基于decision-protocols开源实现）
from abc import ABC, abstractmethod
from typing import List, Any
from dataclasses import dataclass

@dataclass
class AgentResponse:
    content: str
    confidence: float
    agent_id: str

class DecisionProtocol(ABC):
    @abstractmethod
    def resolve(self, responses: List[AgentResponse]) -> str:
        pass

class MajorityVoting(DecisionProtocol):
    """多数投票：等价答案归并后取最高票"""
    def resolve(self, responses: List[AgentResponse]) -> str:
        from collections import Counter
        answer_counts = Counter(r.content for r in responses)
        return answer_counts.most_common(1)[0][0]

class WeightedVoting(DecisionProtocol):
    """加权投票：按Agent历史准确率加权"""
    def __init__(self, agent_weights: dict):
        self.agent_weights = agent_weights

    def resolve(self, responses: List[AgentResponse]) -> str:
        scores = {}
        for r in responses:
            scores[r.content] = scores.get(r.content, 0) + self.agent_weights[r.agent_id]
        return max(scores, key=scores.get)

class DebateConsensus(DecisionProtocol):
    """辩论共识：Agent间辩论直至收敛"""
    def __init__(self, max_rounds: int = 3, convergence_threshold: float = 0.8):
        self.max_rounds = max_rounds
        self.threshold = convergence_threshold

    def resolve(self, responses: List[AgentResponse]) -> str:
        for round_num in range(self.max_rounds):
            # 检查收敛：如果threshold比例的Agent给出相同答案
            from collections import Counter
            counts = Counter(r.content for r in responses)
            top_answer, top_count = counts.most_common(1)[0]
            if top_count / len(responses) >= self.threshold:
                return top_answer
            # 未收敛，进入下一轮辩论（Agent看到其他人的回答后重新生成）
            responses = self._debate_round(responses)
        return MajorityVoting().resolve(responses)  # 兜底：回退到多数投票

三、六大共识框架深度拆解

3.1 SAC：自锚定共识——拜占庭Agent的过滤器

来源：arXiv:2605.09076（2025年5月）

核心问题：当多Agent系统中存在被对抗性提示劫持的"叛徒Agent"（持续输出错误或有害答案）时，如何在去中心化环境下达成可靠共识？

架构原理：SAC（Self-Anchored Consensus）的灵感来自分布式系统中的MSR（Multivalued Signed Reduction）算法，但针对LLM的非确定性输出做了三项关键改造：

1. 自锚定：每个Agent首先独立生成答案作为"锚点"，然后在多轮通信中只接受"比锚点更接近多数"的更新——这防止了叛徒Agent的锚定攻击
2. 过滤-精炼循环：在每一轮通信中，Agent先过滤掉与自身锚点偏差过大的peer答案（过滤），然后基于剩余的可信答案更新自己的输出（精炼）
3. 收敛保证：论文证明了在 $n \geq 3f + 1$ 条件下（$f$为叛徒数量），SAC能在有限轮次内使诚实Agent收敛到相同答案

实测表现：在3-7个Agent、1-2个叛徒的设置下，SAC相比朴素多数投票： - 诚实Agent共识准确率提升22.4%（存在1个叛徒时） - 幻觉传播率从34%降至8% - 通信轮次平均2.3轮收敛

# SAC核心逻辑简化实现
class SelfAnchoredConsensus:
    def __init__(self, threshold_ratio: float = 0.4):
        self.threshold_ratio = threshold_ratio  # 过滤阈值

    def run(self, agents, max_rounds=5):
        # Phase 1: 每个Agent独立生成锚点
        anchors = {a.id: a.generate() for a in agents}
        current_views = anchors.copy()

        for _ in range(max_rounds):
            # Phase 2: 广播当前视图
            all_views = list(current_views.values())

            new_views = {}
            for agent in agents:
                # Phase 3: 过滤——排除偏离锚点过远的peer答案
                anchor = anchors[agent.id]
                filtered = self._filter_by_anchor(
                    all_views, anchor, self.threshold_ratio
                )
                # Phase 4: 精炼——基于过滤后的答案更新
                new_views[agent.id] = agent.refine(filtered, anchor)

            # Phase 5: 检查收敛
            if self._check_convergence(new_views):
                return list(new_views.values())[0]
            current_views = new_views

        return list(current_views.values())[0]

    def _filter_by_anchor(self, views, anchor, threshold):
        """语义相似度过滤：排除与锚点距离过远的答案"""
        return [v for v in views 
                if semantic_similarity(v, anchor) > threshold]

适用场景：金融风控、医疗诊断等容错率为零的领域。变现潜力：可直接包装为"高可靠多Agent决策引擎"SaaS产品。

3.2 AgentShield：拜占庭弹性评估基准

来源：IEEE DataPort + GitHub（nv262-lab/AgentShield）

核心贡献：AgentShield不是另一个共识协议，而是第一个系统化的多Agent拜占庭容错评估数据集。它定义了四类拜占庭攻击模式：

评估维度：AgentShield在GSM8K、HumanEval、MMLU上构建了500+个测试场景，覆盖不同Agent数量（3-9）、不同叛徒比例（0-40%）、不同攻击类型的组合。评估指标包括： - 共识准确率（Consensus Accuracy） - 收敛轮次（Convergence Rounds） - 拜占庭弹性分数（Byzantine Resilience Score，自定义综合指标）

关键发现：当叛徒比例超过33%（即 $f > n/3$）时，所有共识协议的准确率都会断崖式下跌——这精确验证了经典BFT理论中的 $n \geq 3f + 1$ 下界。但在33%以下，SAC和置信度引导协议能维持80%+的共识准确率。

3.3 BlockAgents：区块链增强的拜占庭鲁棒协调

来源：ACM TURC 2024（Chen等，10.1145/3674399.3674445）

核心思路：将区块链的不可篡改性引入多Agent协调，解决"Agent事后否认自己说过的话"和"Agent共谋篡改历史"两类攻击。

架构三层：

┌─────────────────────────────────┐
│  应用层：任务分配与结果聚合       │
├─────────────────────────────────┤
│  共识层：PBFT变种 + LLM置信度    │
├─────────────────────────────────┤
│  链上层：智能合约记录Agent行为    │
└─────────────────────────────────┘

创新点：传统PBFT要求节点确定性执行，但LLM Agent的输出是非确定性的。BlockAgents引入了"软共识"——不要求所有诚实Agent输出完全相同，而是允许语义等价的答案（通过NLI模型判断）通过共识检查。

局限：链上共识的延迟是主要瓶颈。在4-Agent设置下，单次共识决策的平均耗时为12秒（对比纯内存共识的1.5秒），Token消耗增加约40%。适合对安全性要求极高但实时性要求不高的场景（如合规审计）。

3.4 CONSENSAGENT：共情触发的效率共识

来源：ACL 2025 Findings（Pitre等）

核心问题：多Agent辩论的最大成本问题是"过度辩论"——当Agent已经达成共识后仍然继续辩论，浪费Token和时间。CONSSENSAGENT通过"Syco-phant"（共情者）检测机制解决这一问题。

架构关键：每个Agent在辩论过程中同时扮演两个角色： 1. 辩手：提出和捍卫自己的观点 2. 共情者：监控辩论状态，判断是否已经达成"隐含共识"

当共情者检测到所有Agent的立场差异低于阈值时，触发"提前终止"信号，跳过剩余辩论轮次。

效果：在保持准确率不降的前提下，CONSSENSAGENT将平均辩论轮次从4.2轮降至1.8轮，Token消耗减少57%。这使其成为成本敏感型多Agent应用的首选共识协议。

3.5 CONCAT：置信度驱动的临时组队

来源：arXiv:2605.29612（2025年5月）

核心创新：CONCAT（Consensus- and Confidence-Driven Ad Hoc Teaming）解决了多Agent系统中"谁来参与共识"的问题——不是所有Agent都需要参与每个决策。

三阶段流程：

sequenceDiagram
    participant T as 任务调度器
    participant P as Agent池
    participant C as 共识引擎
    participant R as 结果聚合器

    T->>P: 1. 广播任务，收集初始置信度
    P-->>T: 每个Agent返回<答案, 置信度>
    T->>T: 2. 按置信度排序，选择Top-K
    T->>C: 3. 仅高置信度Agent进入共识
    C->>C: 多轮辩论+投票
    C-->>R: 输出共识结果

    Note over T,R: 低置信度Agent被排除，节省Token

关键参数：$K$值的选择直接影响效果。论文实测发现： - $K=3$：Token节省65%，准确率降低2% - $K=5$：Token节省40%，准确率持平 - $K=7$：Token节省15%，准确率提升1%

这意味着大多数场景下，$K=5$是最佳性价比点——这与七协议研究中的"共识甜蜜点"完全吻合。

无需训练：CONCAT是完全"training-free"的框架，无需微调任何模型，只需在推理时调整组队策略。这使得它可以即插即用地叠加在任何现有Agent框架（LangGraph、CrewAI等）之上。

3.6 NeurIPS 2025辩论法官：自适应稳定检测

来源：NeurIPS 2025（Hu等，arXiv:2510.12697）

核心贡献：将多Agent辩论的"何时停止"问题数学化为一个马尔可夫链收敛检测问题。

论文定义了"辩论稳定度"指标——当连续两轮辩论中Agent答案的语义分布变化低于阈值时，判定辩论已收敛。关键在于"自适应"：阈值不是固定的，而是根据当前问题的难度（用Agent初始答案的分歧度衡量）动态调整——简单问题（初始分歧低）用严格阈值快速终止，困难问题（初始分歧高）用宽松阈值允许充分辩论。

理论保证：论文证明了在辩论过程中，Agent答案分布构成一个非周期不可约马尔可夫链，必然收敛到稳态分布。自适应稳定检测等价于检测这个马尔可夫链何时进入"近似稳态"。

实测：在LLM-as-Judge任务上，该方法将辩论效率提升3.2倍（平均轮次从5.1降至1.6），同时法官准确率从78.3%提升至82.1%——更少的辩论反而更准确，因为避免了"过度辩论导致的观点漂移"。

四、从投票到BFT：渐进式选型矩阵

选型决策树

graph TD
    Start[多Agent共识需求] --> Q1{是否存在对抗风险?}

    Q1 -->|否| Q2{成本是否敏感?}
    Q1 -->|是| Q3{需要审计追踪?}

    Q2 -->|是| CONSENSAGENT[CONSSENSAGENT<br>共情触发 + 57%成本节省]
    Q2 -->|否| Q4{任务类型?}

    Q4 -->|推理/事实| MV[多数投票<br>+13.2% 提升最稳]
    Q4 -->|创意/开放| DC[辩论共识<br>+8.7% 创意质量更优]

    Q3 -->|是| BLOCK[BlockAgents<br>链上不可篡改]
    Q3 -->|否| Q5{叛徒比例预期?}

    Q5 -->|<20%| SAC1[SAC自锚定共识<br>过滤+精炼循环]
    Q5 -->|20-33%| SAC2[SAC + 置信度引导BFT<br>AAAI 2026方案]
    Q5 -->|>33%| FAIL[⚠️ 理论不可解<br>需增加诚实Agent数量]

    style CONSENSAGENT fill:#51cf66,color:#fff
    style SAC1 fill:#ff6b6b,color:#fff
    style SAC2 fill:#ff6b6b,color:#fff
    style BLOCK fill:#845ef7,color:#fff
    style FAIL fill:#ffd43b,color:#333

五、AAAI 2026的置信度引导拜占庭共识

Zheng等人在AAAI 2026发表的论文从另一个角度切入共识问题：不修复叛徒Agent，而是让诚实Agent学会识别和隔离叛徒。

核心方法是"置信度引导的拜占庭共识协议"（Confidence-Guided Byzantine Consensus Protocol）。每个Agent在生成答案时同时输出一个置信度分数（0-1）。协议的运行分为三步：

1. 置信度收集：每个Agent独立生成答案和置信度
2. 异常检测：通过比较Agent答案之间的语义一致性和置信度分布，标记置信度异常的Agent（叛徒通常表现为高置信度+离群答案）
3. 加权共识：被标记为"可疑"的Agent被降低权重或排除，剩余诚实Agent进行加权共识

在GSM8K上，当存在2个叛徒Agent（共7个Agent）时，该方法比朴素多数投票准确率高出18.6%，比SAC高出4.2%。其优势在于不需要预设叛徒数量（$f$），而是自适应检测——这在生产环境中更实用，因为你通常不知道有多少Agent被污染。

六、协议层之外的实战考量

6.1 Agent异构性对共识的影响

所有上述研究都基于一个隐含假设：参与共识的Agent是同构的（相同模型、相同提示）。但在实际生产中，Agent通常是异构的——一个GPT-4 + 两个Claude + 一个Gemini组成的团队如何投票？

实测发现：异构Agent的共识准确率反而高于同构Agent——因为不同模型的错误模式不同，多数投票能更有效地"对冲"各自的弱点。这被称为"模型多样性红利"（Model Diversity Bonus）。但加权投票的权重设定变得关键：不能简单按模型能力加权，而需要按每个模型在当前任务类型上的历史准确率动态加权。

6.2 共识协议与Agent框架的集成成本

LangGraph和AG2在共识协议支持上最为成熟，多数投票和辩论已有内置实现。而SAC、BlockAgents等BFT协议目前都需要自建，还没有主流框架提供开箱即用的支持——这是一个明确的工具层缺口。

6.3 变现与训练营评估

共识协议方向的商业变现路径清晰：

1. "共识即服务"API：将SAC/CONSENSAGENT封装为独立API，任何多Agent系统都可以调用。按共识决策次数收费。目标客户：金融、医疗、法律等高可靠性需求行业。
2. 训练营方向："从投票到拜占庭容错——多Agent共识协议实战"可定位为进阶课程。前置知识要求：分布式系统基础 + LLM Agent开发经验。预计课时12-16小时，定价区间¥1999-3999。
3. 开源+咨询模式：开源基础共识库，企业版提供BlockAgents链上共识、审计追踪等高级功能。

七、未来走向：共识协议的三个收敛方向

方向一：协议即基础设施

共识协议正在从"应用逻辑"下沉为"基础设施"。正如TCP/IP为互联网提供可靠传输层，未来的多Agent系统需要一个"共识传输层"——无论上层Agent是什么模型、什么框架，都通过统一的共识协议保证决策可靠性。MCP（Model Context Protocol）和A2A（Agent-to-Agent Protocol）正在朝这个方向演进，但目前都还未触及共识层的标准化。

方向二：自适应协议切换

CONCAT和NeurIPS 2025的自适应稳定检测指向同一个趋势：未来的共识协议不会是"一种协议走天下"，而是根据任务特征动态切换——简单事实问答用多数投票（快），开放创意用辩论（准），金融决策用SAC（稳）。这需要一个"共识路由器"，自动判断当前任务的最优协议。

方向三：形式化验证

AAAI 2026论文中的理论分析（收敛性证明、BFT下界验证）标志着一个重要转向：共识协议正在从"经验有效的工程方案"走向"可证明正确的数学对象"。这对于金融、医疗、航空等受监管行业至关重要——它们需要的不是"看起来更可靠"，而是"可证明在f个叛徒存在时仍能正确决策"。

参考来源

1. Voting or Consensus? Decision-Making in Multi-Agent Debate — ACL 2025 Findings，系统对比7种多Agent决策协议，发现投票在推理任务上提升13.2%
2. Robust Multi-Agent LLMs under Byzantine Faults — 提出SAC自锚定共识协议，首个针对LLM非确定性输出的拜占庭容错方案
3. MultiAgentBench: Evaluating the Collaboration and Competition of LLM Agents — ACL 2025，多Agent协作竞争综合评测基准，含MARBLE框架
4. Rethinking the Reliability of Multi-agent System: A Perspective from Byzantine Fault Tolerance — AAAI 2026，从BFT角度量化LLM Agent可靠性，提出置信度引导共识
5. CONCAT: Consensus- and Confidence-Driven Ad Hoc Teaming for Efficient LLM-Based Multi-Agent Systems — 置信度驱动的临时组队框架，无需训练，Token节省40-65%
6. BlockAgents: Towards Byzantine-Robust LLM-Based Multi-Agent Coordination via Blockchain — ACM TURC 2024，区块链增强的多Agent拜占庭鲁棒协调
7. Multi-Agent Debate for LLM Judges with Adaptive Stability Detection — NeurIPS 2025，自适应稳定检测的辩论法官框架

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。