<!-- title: 裁决即税：多智能体四式实测 -->

# 裁决即税：多智能体四式实测

## 概述

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。

## 共识裁决的四式分野

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。

## 深度分析

### 一、多数投票式：唯一不算税的裁决

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。

```python
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。

### 二、多轮辩论式：被高估的"鞅"

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"。

```python
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。

### 三、裁决者式：法官也是凡人

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。

```python
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。

### 四、共识收敛式：一致性的代价

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。

```python
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。

### 五、早停与自适应：把税降到最低

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。

```python
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。

### 六、框架原生度横评：四式在不同栈里的落地成本

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：

```python
# 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。

## 共识裁决层架构图

```text
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**。

## 推荐方案

**按任务类型选式**，比按框架选式更根本：

- **离散答案 / 数学推理 / 代码题**：直接用投票式（自一致性 + 多数票），并行调用、成本可控。这是 90% 场景的最优解，不要为了"看起来更高级"而上辩论。
- **事实核查 / 合规审查 / 需要交付对抗过程**：用辩论式，但务必配自适应早停，把轮数税压到最低。交付物是 transcript，不是"更高的准确率"。
- **开放式生成 / 质量打分 / 客服质检**：用裁决者式，法官模型须与生成模型**异源**并做去偏校准，避免自我偏好。
- **医疗 / 法律等高风险、低频率会诊**：用共识收敛式，接受低吞吐，换取可解释的一致性。

**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。**

## 参考来源

1. [Debate or Vote: Which Yields Better Decisions in Multi-Agent LLMs (NeurIPS 2025 Spotlight)](https://arxiv.org/abs/2508.17536) — 拆解 MAD 为"集成+交互"，证明辩论是鞅、增益来自投票。
2. [Voting or Consensus? Decision-Making in Multi-Agent Debate (ACL 2025)](https://en.papernotes.org/ACL2025/multi_agent/voting_or_consensus_decision-making_in_multi-agent_debate/) — 对比 7 种决策协议，投票推理+13.2%、共识知识+2.8%。
3. [Multi-LLM-Agents Debate: Performance, Efficiency, and Scaling Challenges (ICLR 2025 Blogposts)](https://iclr-blogposts.github.io/2025/blog/mad/) — 5 框架×9 benchmark，MAD 难以稳定超越单智能体策略。
4. [Consensus Protocols for Multi-Agent Decisions (tianpan.co, 2026)](https://tianpan.co/blog/2026-04-12-consensus-protocols-multi-agent-decisions-when-agents-disagree) — 多数投票在争议题失败率约 24%，分布系统视角的共识设计。
5. [Multi-Agent Debate for LLM Judges with Adaptive Stability Detection (NeurIPS 2025)](https://arxiv.org/abs/2510.12697) — 自适应稳定性检测早停，降低辩论 Token 成本。
6. [When to Use Multi-Agent Debate vs Self-Consistency (MAD Studio)](https://multiagentdebates.com/research/multi-agent-debate-vs-self-consistency) — CoT-SC 为默认、MAD 适用于对抗审查与可审计场景的工程选型指南。

> [!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。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)