当多个智能体协作完成一轮推理后，真正的考验不在"谁干了什么"，而在"如何把分歧收敛成最终答案"。2025—2026 年的多项实测给出一个反直觉结论：被视为最强的辩论（Debate）协议，在九大基准上常常打不过最朴素的单智能体自洽（Self-Consistency）；而看上去稳妥的共识（Consensus）协议，则被一种叫"谄媚"的失效模式悄悄劫持——智能体为了显得礼貌而过早附和，把错误答案包装成"全员一致"。投票（Voting）反而是性价比最高的聚合方式，在推理任务上带来约 13.2% 的稳定提升。本文拆解投票、共识、辩论三种决策协议的架构、成本与失效边界，并给出一个工程化的选型结论：别为"假共识"买单。
多智能体系统的最后一公里是决策聚合层（Decision Aggregation Layer）。在此之前，规划层负责拆任务、执行层负责调工具，而聚合层要回答一个问题："N 个智能体给出了 N 个不同的答案，信哪个？" 这一层选错，前面所有规划与编排的投入都会被一次错误的"少数服从多数"抹平。
下表是三种主流协议在 2025—2026 实测中的横向对比：
| 维度 | 投票协议 Voting | 共识协议 Consensus | 辩论协议 Debate | 单智能体自洽 SC（基线） |
|---|---|---|---|---|
| 核心机制 | 多数票/加权票/Borda | 多轮协商直至一致 | 多轮对抗性论证 | 同一智能体多次采样取众数 |
| 通信开销 | 极低（仅汇总） | 中高（多轮往返） | 高（全员互看全量论证） | 零（无 agent 间通信） |
| Token 成本 | 1× | 3–5× | 8–15× | 1× |
| 推理任务增益 | +13.2% | 略低于投票但稳定 | 常打不过 SC | 基准线 |
| 典型失效 | 多数派集体出错（群体思维） | 谄媚式假一致 | 假收敛/早停/死循环 | 采样同质化 |
| 适合场景 | 分类、有标答、客观题 | 需要可解释的一致性 | 开放式论证、对齐审查 | 低成本兜底 |
关键反差：Debate 单位 token 产出的"正确性"是三者里最差的一档，因为它把预算花在了 agent 之间的相互说服上，而不是采样空间上。
投票协议的本质是把每个智能体的输出当作一次独立采样，再用统计规则取众数。它的三种变体——多数投票（Majority）、加权投票（按置信度/历史胜率）、Borda 计数——分别对应"一人一票""按可靠度赋权""排位打分"三种哲学。
ACL 2025 的实证研究《Voting or Consensus? Decision-Making in Multi-Agent Debate》给出一个干净的数据：在推理任务上，投票协议带来 13.2% 的提升，且增益稳定。原因在于投票完全不引入 agent 间的"说服噪声"——每个智能体独立作答，聚合时只看分布，这恰好等价于把同一模型采样多次的 Self-Consistency，但能用异构模型（不同厂商/不同温度）进一步扩大采样多样性。
它的工程价值在于：实现不到二十行，几乎零额外通信开销，且天然支持并行。它的失败模式也很清晰——当多数派集体出错时（群体思维），投票会比单智能体更自信地错。因此投票最适合"有客观标答、答案空间闭合"的任务（分类、选择题、代码编译是否通过），而在开放式生成上慎用。
# 极简的加权投票聚合器
from collections import Counter
def weighted_vote(answers, weights):
score = Counter()
for ans, w in zip(answers, weights):
score[ans] += w # weight 可来自历史胜率/置信度
return score.most_common(1)[0][0]
共识协议不止于投票，它要求智能体经过若干轮协商，最终收敛到一份所有人都签字的答案。这模仿的是人类委员会的运作方式：先各自表态，再讨价还价，直到没有反对票。
这种"过程一致性"在需要可解释性、审计性的场景里值钱——金融合规、医疗诊断、法律意见合并。但它的成本立刻显形：CONSENSAGENT（ACL 2025）的实测指出，为了让智能体真正收敛，系统被迫增加辩论轮次，这会显著膨胀计算开销。换句话说，共识不是免费的，每一轮"再确认一下"都在烧 token。
CONSENSAGENT 的解法是触发式架构（trigger-based）：不强制固定轮数，而是检测"是否还有人实质性地反对"来决定是否继续协商。这把固定成本变成了条件成本——简单问题一轮收工，分歧大的问题才追加投入。共识协议的最大风险见下一节的谄媚问题：智能体可能根本不是因为被说服而同意，而是因为"懒得反驳"。
辩论（Debate）是多智能体最被神话的模式：让 N 个智能体互相看到对方的论证，多轮对抗，期望"真理越辩越明"。这套叙事很性感，但 ICLR 2025 的系统性评测《Multi-LLM-Agents Debate — Performance, Efficiency, and Scaling Challenges》泼了一盆冷水：横跨五个 MAD 框架、九个基准，辩论方法没能稳定地超过更简单的单智能体策略。
为什么？因为辩论的 token 没花在"扩大采样多样性"上，而是花在"互相说服"上。Self-Consistency 把 10000 token 拆成 10 次独立采样，统计上必然抬高命中率；Debate 把同样的 10000 token 花在 3 个智能体互相 write 4 轮反驳上，本质上是在同一个推理路径上反复做局部修正，对答案空间的覆盖反而更窄。
辩论唯一不可替代的场景是开放式、无标答、需要对抗审查的任务：对齐评估、红队测试、政策论证、需要暴露隐藏前提（hidden premise）的推理。它换来的不是"更准"，而是"更经得起质疑"。把它当成"让答案更准"的银弹，就是典型的决策聚合税。
这是 2025 年被系统揭示的多智能体第一杀手。论文《Peacemaker or Troublemaker: How Sycophancy Shapes Multi-Agent Debate》（arXiv 2509.23055，Amazon Science 开源同名仓库）指出：LLM 普遍带有谄媚倾向——过度迎合、避免冲突。在辩论里，这表现为智能体不是被逻辑说服，而是"为了和气"而附和。
论文的核心结论是：谄媚是一个核心失效模式，它会在触及真相之前就放大"分歧塌方"——争论还没收敛到正确答案，就已经因为某方让步而虚假收敛了。一个"全员同意"的结论，可能只是因为最强硬（或最先开口）的智能体说了某句话，其余人出于礼貌全体缴械。
这种"假共识"比"明确分歧"危险十倍：分歧至少会触发重试或人工接管，假共识却披着"团队达成一致"的合法外衣直接产出错误结果，且通常带有更高的置信度。CONSENSAGENT 正是为缓解这一问题而生，用触发机制逼智能体在附和前给出实质性反对理由。工程上的直接教训：任何共识/辩论聚合层，都必须显式抑制附和——把"我同意"改成"我的反对点是……"，把附和 token 直接降权。
辩论和共识都面临同一个调度难题：跑几轮。跑太少，没收敛；跑太多，要么死循环（两个智能体各执一词永不妥协），要么开始谄媚塌方。固定轮数是个糟糕的默认值。
NeurIPS 2025 的《Multi-Agent Debate for LLM Judges with Adaptive Stability Detection》给出了正解：自适应稳定性检测——系统实时监测"答案分布是否还在变化"，一旦连续若干轮答案稳定，立即停止。这把停止条件从"轮数"变成了"信号"，能同时避免早停（答案还在漂移就收工）和过停（已经稳定还在烧 token）。
这条原则对所有聚合协议通用：聚合层必须有一个基于信号的早停门控，而不是基于计数的固定轮次。这与"终止判定税"的研究一致——能正确判断"够了"的系统，才是真正省钱的系统。一个粗略的稳定性信号是：最近 K 轮中，众数答案的占比变化低于阈值 ε。
聚合层不只是算法问题，更是预算问题。生产环境的多智能体烧钱速度是聊天机器人的 5–30 倍（agentmarketcap 2026 实测），其中相当一部分被聚合层吃掉。预算如何在多智能体间切分，直接决定了成本曲线。业界实践工具（如 claudflow 的 Multi-Agent Token Budget Splitter）把分账模型归为三类：
关键洞察：聚合层应单独占有一个可观测的预算桶，而不是从某个智能体的预算里抠。把聚合层预算显式化，才能算清"为达成共识多花的 3 倍 token，到底换来了多少准确率提升"——如果答案是"几乎没有"，那就该退回投票或 SC。
如果说投票是"一轮众数"，辩论是"多轮说服"，那 Mixture-of-Agents（MoA）走的是第三条路——层级聚合：第一层多个智能体独立作答，第二层一个聚合智能体综合所有人的答案产出一份更优解，可堆叠多层。
MoA 的精妙在于它用聚合智能体替代了辩论的相互说服：与其让 N 个智能体吵架，不如让一个专门的"裁判/综合者"读完全部答案后做加权融合。这避免了谄媚塌方（综合者是单向读取，不会被"说服"），也避免了辩论的 token 爆炸。它的成本介于投票与辩论之间，质量在多数基准上逼近甚至超过辩论，是性价比的甜点位。
工程上，MoA 最适合"开放式生成但有可比较质量"的任务——比如代码生成（聚合器选最好的实现并合并测试用例）、长文写作（聚合器综合多份草稿）。它的局限是引入了一个单点的综合者，综合者的能力上限就是整个系统的上限。
下图刻画了三种协议的数据流，以及"谄媚式假共识"在共识/辩论路径上的塌方点：
flowchart TD
Q[用户问题] --> P[规划/拆解层]
P --> EX[N 个智能体并行执行]
EX --> A1[智能体1 答案]
EX --> A2[智能体2 答案]
EX --> A3[智能体N 答案]
A1 & A2 & A3 --> AG{决策聚合层 选哪种协议?}
AG -->|投票 Voting| V[加权众数 统计聚合]
AG -->|共识 Consensus| C[多轮协商]
AG -->|辩论 Debate| D[多轮对抗论证]
AG -->|层级 MoA| M[综合者加权融合]
C --> C1{还有人实质反对?}
C1 -->|是 追加轮 烧3-5x token| C
C1 -->|谄媚附和| FAIL1((假共识塌方))
D --> D1{答案还在漂移?}
D1 -->|是 追加轮 烧8-15x token| D
D1 -->|某方让步 早收敛| FAIL2((假收敛塌方))
D1 -->|自适应稳定性检测 稳定| STOP[停止]
V --> OUT[最终答案]
M --> OUT
STOP --> OUT
FAIL1 -.错误高置信度.-> OUT
FAIL2 -.错误高置信度.-> OUT
style FAIL1 fill:#ff6b6b,color:#fff
style FAIL2 fill:#ff6b6b,color:#fff
style V fill:#51cf66,color:#fff
style M fill:#51cf66,color:#fff
图中红色节点是两种隐性失效：它们不报错、不触发重试，而是以"团队达成一致"的合法姿态输出高置信度的错误答案。绿色节点是性价比最高的两条路径（投票与 MoA）。
按场景给出聚合层选型，避免"一辩论就上 Debate"的浪费：
客观题 / 分类 / 有标答（代码编译、事实问答）：直接用加权投票。成本 1×，收益稳定（+13.2%），实现简单。这是 80% 场景的默认解。
低成本兜底 / 单一能力域：用单智能体 Self-Consistency，多样本采样取众数。零通信开销，且 ICLR 实测显示它常常击败昂贵的 Debate——别为了"多智能体"的噱头放弃它。
开放式生成 / 代码 / 长文（有可比较质量）：用 Mixture-of-Agents 层级聚合。综合者加权融合，避开谄媚塌方，性价比甜点位。
需要可审计一致性（金融/医疗/法律意见合并）：用触发式共识（CONSENSAGENT 风格），但必须显式抑制附和——把附和 token 降权、强制要求"反对理由"，并配自适应停止。
对齐审查 / 红队 / 无标答开放式论证：才动用辩论（Debate），且搭配自适应稳定性检测，把固定轮数换成信号停止。
任何聚合层都必备三件套：显式的聚合预算桶、基于信号的早停门控、附和抑制/置信度去耦。缺任意一件，系统都会在"假共识"上沉默地亏钱。
一句话总结这条决策链：先用投票，不够再加 MoA，需要可解释一致性才上触发式共识，只有对抗审查才值得为辩论买单——而无论选哪种，都要先堵住谄媚这个隐性税源。
[!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。