当多个智能体给出相互冲突的输出时，"如何收束成一个答案"——这一层通常被称为共识裁决（consensus / adjudication）。本系列前几轮已覆盖动态组队、拓扑、通信、协议编排，但真正决定多智能体准确率与成本天花板的，是这一层。2025–2026 年的一批实证研究给出了一个反直觉的结论：多智能体辩论（MAD）的性能提升，主要来自集成投票（ensembling），而非辩论本身——辩论过程在数学上是一个"鞅"（martingale），意味着它不会系统性改进答案，却要付出 O(m×r) 的调用代价。本期把共识裁决拆成投票、辩论、裁决者、共识收敛四式，用真实 benchmark 数据实测各自的延迟税、Token 税与准确率增益，并给出什么场景该用哪一式。
多智能体走到"收口"这一步，无论框架怎么包装，本质上只有四种裁决范式。它们的差异不在"谁说话"，而在"谁拍板、说几轮"。
| 裁决式 | 调用复杂度 | 共识失败率 | 准确率增益（实测） | 延迟特性 | Token 代价 | 最适用任务 |
|---|---|---|---|---|---|---|
| 多数投票式（Voting/SC） | O(n)，可并行 | 争议题约 24% | 推理任务 +13.2% | 低（并行） | 低 | 离散答案、数学推理 |
| 多轮辩论式（MAD） | O(m×r) 串行 | 收敛靠末轮投票兜底 | 接近纯投票增益（鞅） | 高 | 高 | 事实核查、可审计场景 |
| 裁决者式（LLM-as-Judge） | O(n)+1 次裁决 | 取决于法官质量 | 主观任务显著、客观任务易引入偏差 | 中 | 中 | 质量打分、开放式生成 |
| 共识收敛式（Jury/收敛） | O(m×r) 直到收敛 | 死锁/群体思维风险 | 知识任务 +2.8% | 高 | 高 | 知识密集、需可解释 |
数据来源：NeurIPS 2025 Spotlight《Debate or Vote》、ACL 2025《Voting or Consensus?》、ICLR 2025 Blogposts MAD 综评、tianpan.co 共识协议实测。
投票式包含三类变体：单智能体自一致性（CoT-SC，同一模型多次采样再投票）、多智能体多数投票、加权投票（按置信度或历史准确率加权）。它的核心优势是可全并行——n 个调用之间无依赖，墙钟时间约等于一次调用。ACL 2025 的协议对比显示，投票式在推理任务上能带来 13.2% 的提升，远高于共识式的 2.8%。代价在于：当问题真正有争议时，多数票会失效——实测中 LLM 多数投票在争议问题上失败率接近 24%，因为"两个说退款、一个说升级欺诈"这种情况下，少数派恰好是对的。
from collections import Counter
def voting_consensus(agents, task, n=5):
# 自一致性：同一 agent 多采样，或不同 agent 各跑一次
raw = [a.run(task) for a in agents for _ in range(max(1, n // len(agents)))]
ans = [extract_answer(x) for x in raw] # 只取离散答案
winner, cnt = Counter(ans).most_common(1)[0]
if cnt / len(ans) < 0.6: # 无明显多数 → 触发升级
return ("NEED_ESCALATION", winner)
return winner
变现/训练营评估：投票式是教学的最佳起点——10 分钟讲清"采样 + 多数票"，学员能立刻看到准确率提升，适合作为"多智能体入门第一课"的核心案例。落地成本低、ROI 可量化，是包装成企业内训的硬通货。
多智能体辩论（Du et al. ICML 2024 提出）让 m 个智能体进行 r 轮互相审阅与答案修订，原论文报告了 14.8 分的准确率提升。但 NeurIPS 2025 Spotlight《Debate or Vote》把 MAD 拆成"集成（ensembling）"和"智能体间交互（inter-agent interaction）"两部分，理论和实验都证明：提升几乎全部来自集成投票，辩论交互本身构成一个鞅——即不系统性改进答案的期望质量。ICLR 2025 综评横测 5 个 MAD 框架、9 个 benchmark，结论是"当前 MAD 方法无法稳定超越更简单的单智能体策略"。
def mad_debate(agents, task, rounds=3):
pos = {a.id: a.run(task) for a in agents}
for r in range(rounds): # 每轮串行 → 延迟税
for a in agents:
others = [t for i, t in pos.items() if i != a.id]
pos[a.id] = a.run(f"题目:{task}\n他人观点:{others}\n请修订你的答案")
return vote(list(pos.values())) # 末轮仍需投票收口
关键洞察：辩论收口时几乎一定要回到投票——这恰好印证了"增益来自集成而非辩论"。辩论真正的不可替代价值在于可审计的对抗 transcript：在事实核查、合规审查这类"需要看到谁反驳了谁、为什么改"的场景，transcript 本身就是交付物。所以辩论不是为准确率服务的，是为可解释性服务的；为提分而堆辩论轮数，是典型的交税。
裁决者式（LLM-as-Judge / Arbiter）引入一个独立的"法官"模型，从 n 个候选答案中选出最优。它的优势是能处理开放性、主观性问题（作文评分、客服回复质量），投票式对这类任务无能为力。但 2026 年的生产实践研究揭示了三个陷阱：一是法官与生成模型同源时的位置偏见与自我偏好（同源模型倾向于选自己的输出）；二是单点故障——法官错则全错，且错误不可被 n 个 worker 抵消；三是法官本身需要被校准，否则在客观任务上反而拉低准确率。
def judge_arbiter(candidates, task, judge_llm):
menu = "\n".join(f"[{i}] {c}" for i, c in enumerate(candidates))
pick = judge_llm.run(
f"题目:{task}\n候选答案:\n{menu}\n"
f"请选出最准确的一项，仅输出编号。若多个同等优秀，选编号最小者。"
)
idx = parse_index(pick, fallback=None)
if idx is None: # 法官拒判 → 回退投票
return voting_fallback(candidates)
return candidates[idx]
变现评估：裁决者式是"AI 质量门禁（LLM-as-a-Guardrail）"产品的技术底座，可包装成内容审核、客服质检、RAG 答案筛选的 SaaS。训练营卖点强（"给智能体装一个法官"），但必须强调法官选型与去偏，否则学员上线后会踩坑。
共识收敛式要求智能体反复交换观点，直到达成一致或超过最大轮数。它对应"陪审团（jury）"模式。ACL 2025 显示共识协议在知识任务上有 2.8% 提升（强于投票式在知识任务上的表现），但在推理任务上明显落后于投票。其真正的风险是群体思维与死锁：当智能体被要求"达成一致"，弱智能体倾向于向强智能体妥协，少数正确观点被淹没；当各方僵持，系统要么无限轮空转，要么在超时后被迫回到投票——又回到了第一式的原点。
def consensus_converge(agents, task, max_rounds=5):
pos = [a.run(task) for a in agents]
for _ in range(max_rounds):
keys = [extract_answer(p) for p in pos]
if len(set(keys)) == 1: # 提前收敛
return keys[0]
pos = [a.run(reconcile_prompt(task, pos, self_idx=i))
for i, a in enumerate(agents)]
return voting_fallback(pos) # 超时兜底
变现评估：适合"高风险、低频率、可解释要求高"的场景（医疗建议、法律意见的多专家会诊）。这类客户愿意为可解释的一致性付高价，但吞吐极低，不适合规模化流量场景。训练营里它是最难演示的一式，因为收敛行为不稳定、难复现。
既然辩论和收敛是税，降低成本的关键就是别让它们白跑。NeurIPS 2025 的《Multi-Agent Debate for LLM Judges with Adaptive Stability Detection》给出了可操作的方案：每轮检测智能体答案是否已"稳定"（连续两轮不再改变立场），一旦稳定立即停止——研究表明大量辩论在第 1–2 轮后就已收敛，后面几轮纯属浪费。配合"首轮并行 + 后续仅对分歧项辩论"的混合策略，可把 Token 消耗压到纯多轮辩论的 30%–40%，而准确率几乎无损。
def adaptive_debate(agents, task, max_rounds=5):
pos = {a.id: a.run(task) for a in agents} # 首轮并行
prev_keys = None
for r in range(max_rounds):
keys = {i: extract_answer(p) for i, p in pos.items()}
if prev_keys and keys == prev_keys: # 自适应早停
break
if len(set(keys.values())) == 1: # 已收敛
break
prev_keys = keys
divergent = [i for i,k in keys.items() if k != majority(keys.values())]
pos.update({i: agents[i].run(revise(task, pos, i)) for i in divergent}) # 只辩分歧
return majority(list(keys.values()))
这是把"裁决即税"具象化的一式：承认税存在，但用稳定性检测把税率降到最低。对企业落地最实用——它不否定辩论，而是给辩论装了刹车。
把四式映射到主流框架，能看出"换栈即重写"的迁移税在这一层同样成立：
# LangGraph：StateGraph + reducer，投票是天然能力
from langgraph.graph import StateGraph
graph = StateGraph(dict)
graph.add_node("fan_out", lambda s: {"answers": [a.invoke(s["task"]) for a in agents]})
graph.add_node("vote", lambda s: {"result": majority(s["answers"])})
# reducer 自动合并并行分支 → 投票式落地最丝滑
# AutoGen：GroupChat 自带辩论/收敛语义
# groupchat = GroupChat(agents=[...], speaker_selection_method="round_robin")
# 配合 ConvoAgent 的 "TERMINATE" 信号收口 → 辩论式原生
# CrewAI：Process.hierarchical 用 manager_agent 裁决
# crew = Crew(agents=[...], process=Process.hierarchical, manager_llm=...)
# → 裁决者式原生，但纯投票需自己写
# OpenAI Agents SDK：以 handoff 为主，无内置共识原语
# 需手写 fan-out + aggregator → 四式均需自建
| 框架 | 投票式 | 辩论式 | 裁决者式 | 共识收敛式 |
|---|---|---|---|---|
| LangGraph | ⭐原生(reducer) | 需自建轮次 | 需接 LLM-as-Judge | 需自建收敛判断 |
| AutoGen | 一般 | ⭐原生(GroupChat) | 一般 | 原生(TERMINATE) |
| CrewAI | 弱 | 一般 | ⭐原生(hierarchical) | 弱 |
| OpenAI Agents SDK | 自建 | 自建 | 自建 | 自建 |
迁移税结论：没有哪个框架四式全包。LangGraph 适合投票优先的管线，AutoGen 适合辩论/对话密集，CrewAI 适合中心化裁决，OpenAI Agents SDK 则把自由度全留给开发者。选框架时先定"主力用哪一式"，再倒推框架，可避免大规模重写。
flowchart TB
Task[任务输入] --> Fan[fan-out 并行分发]
Fan --> A1[Agent 1]
Fan --> A2[Agent 2]
Fan --> A3[Agent N]
A1 --> Q{分歧检测}
A2 --> Q
A3 --> Q
Q -->|无分歧/可并行| V[多数投票式<br/>O(n) 低延迟<br/>推理+13.2%]
Q -->|需对抗transcript| D[多轮辩论式 MAD<br/>O(m×r) 鞅<br/>事实/可审计]
Q -->|开放性主观| J[裁决者式 LLM-as-Judge<br/>去偏+单点风险<br/>质量打分]
Q -->|高风险可解释| C[共识收敛式 Jury<br/>死锁/群体思维<br/>知识+2.8%]
V --> R[最终答案]
D --> Early{自适应早停<br/>稳定性检测}
Early --> R
J --> R
C --> R
C -.超时兜底.-> V
D -.末轮兜底.-> V
classDef tax fill:#ffe0e0,stroke:#c33
class D,C tax
classDef cheap fill:#e0ffe0,stroke:#3a3
class V cheap
图中红色标注的辩论式与共识收敛式是"重税区"，绿色投票式是"低成本高回报区"。三条虚线揭示了一个反复出现的事实：辩论的末轮、共识的超时，最终都要兜底回投票。
按任务类型选式，比按框架选式更根本：
通用工程准则： 1. 先投票，再决定要不要升级——分歧检测是分水岭，无分歧时一切高级机制都是税。 2. 永远给收敛/辩论设超时兜底，且兜底路径就是投票。 3. 评估任何共识机制时，务必与"同等调用次数的纯投票"做对照——如果打不过，说明这套机制不值得。 4. 警惕"共识即正确"的幻觉：24% 的争议题上，多数恰好是错的，少数派否决权有时比多数票更重要。
一句话收束：在多智能体里，能投票就别辩论，能并行就别串行，能早停就别跑满——共识裁决这一层，省下来的就是利润。
[!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。