通过信息网络引导多智能体 LLM 系统中的涌现行为

核心问题：当运营者能控制哪个智能体观察哪个智能体、但不能改收益或消息时，观察结构应如何设计才能让群体获得更高集体福利。

• 场景与动机：作者称 LLM 智能体越来越多地成群行动（谈判、资源分配、协调与竞争），其集体行为无人直接设计；交互网络（谁与谁交易）通常是外生的、不可重连，而信息网络（谁观察谁）与交互网络解耦，是运营者仍可用的杠杆。
• 现有治理手段的不足：按论文说法，已有杠杆多作用于智能体本身或其耦合——人设与角色、微调策略、通信协议、激励与收益；交互网络虽研究最多，但往往不可改。作者称信息网络这一杠杆受到的关注相对较少。
• 核心观察（行为耦合）：作者提出观察会制造行为耦合——智能体看到同伴过去的行为后会更强地据此调整自己的选择，观察因此成为传染通道；其福利效应取决于个体有吸引力的行为与集体目标是否对齐，因此更多信息未必更好。
• 论文做了什么：10 个相同的 LLM 智能体玩 6 种重复群体决策博弈（协调、反协调、社会困境、发现），管理者在预算约束下添加有向观察链接；依次问两个问题——RQ1 分享多少信息、RQ2 固定预算下谁观察谁，外加一个探索性的披露时序分析。
• 设定要点：默认每个智能体只看到自己历史和群体上一轮结果的匿名摘要；链接只揭示已完成轮次的动作、不揭示收益；管理者在第 1 轮后提交网络并固定。论文称 1,080 个 episode 的结果支持一条设计规则：反对默认完全透明。

多智能体 LLM 系统

• Du et al. (2024) 的多智能体辩论、Hong et al. (2024) 与 Qian et al. (2024) 的角色化软件团队、Wu et al. (2024) 的 AutoGen 对话框架、Park et al. (2023) 与 Gao et al. (2023) 的社会模拟；综述见 Wang et al. (2024)、Xi et al. (2025)、Guo et al. (2024)。
• 论文指出这些系统把消息当作协调媒介，而本文关闭通信信道，只把观察网络作为设计对象，以隔离信息结构与消息内容的作用。

LLM 群体的涌现集体行为

• Ashery, Aiello, and Baronchelli (2025) 记录涌现惯例与集体偏差；Riedl (2026) 研究涌现协调；Ren et al. (2024) 研究规范形成；Piatti et al. (2024) 研究稀缺下的可持续合作；Maini, Goldstone, and Tiganj (2026) 记录 LLM 与人类群体行为的差异。
• 论文称这些工作确立了 LLM 群体存在真正的涌现，本文问的是互补的设计问题：如何塑造涌现所依托的信息基底。

信息价值与网络上的社会学习

• Hirshleifer (1978) 与 Morris and Shin (2002) 的经典结果：策略性场景下更多公共信息可能降低福利。
• 机制侧借鉴网络上的模仿与社会影响模型（DeGroot 1974；Golub and Jackson 2010；Friedkin and Johnsen 1990；Flache et al. 2017），以及社会影响会同步错误、损害集体准确性的发现（Lorenz et al. 2011；Centola and Macy 2007）；还有探索/利用的网络权衡（Lazer and Friedman 2007；Mason and Watts 2012）与群体决策研究（Stasser and Titus 1985；Woolley et al. 2010；Roberts and Goldstone 2011）。

智能体 AI 的信息网络设计

• 与本文 framing 最接近的是把信息流当作多智能体 AI 治理机制的工作：Chen et al. (2026) 自适应调节智能体可观察的内容，Ebrahimi et al. (2026) 研究网络不透明如何驱动策略升级。

基线与基准：本文不是提出新方法再与基线对比的设定；对照是同一受控人群内的条件对比——RQ1 以 K=0（无信息）为基线、K=90（完全有向图）为另一端，RQ2 在 E=40 下比较 hub、regular、expander、barbell 四种拓扑；评测环境为作者自建的六个博弈（sum_guessing、stag_hunt、bandit、pgg、threshold_pgg、el_farol，Table S1）。

作者将本文定位为：把信息价值与社会学习理论移植到 LLM 群体，给出信息量与观察拓扑如何映射到福利的受控、跨博弈刻画，时序问题作为探索性扩展。

整体思路：把信息网络（谁观察谁）作为唯一被操纵变量，在固定交互结构、固定智能体策略的受控人群上做因果识别，依次回答信息量（RQ1）与拓扑（RQ2）两个问题。

问题设定与形式化

• N=10 个相同智能体玩 T=20 轮；每轮智能体 i 选动作 ati、得收益 uti。默认只见自己历史和群体上一轮结果的匿名摘要，从不见具体同伴的行为。
• 管理者选有向网络 G=(N,E)，链接 i→j 表示 i 观察 j 的过往动作，预算至多 K 条；链接只揭示已完成轮次的动作、不揭示收益；第 1 轮后提交并固定。
• 目标为最大化群体折扣累计福利 W(G)=𝔼∑_t=1^Tγ^t−1∑_i u_i^t(G)，γ=0.95，即越早达到高福利越好；纯协调博弈用与目标的接近程度作福利。
• 全部智能体用同一个开放权重模型的相同实例、同一基础提示词，只有信息块不同；作者称这是为了把集体行为中的结构归因于信息网络而非偏好差异，模型是"受控随机策略基底"而非所有 LLM 的代表样本。

行为耦合机制

• 采用图上模仿的标准模型（DeGroot 1974；Golub and Jackson 2010）：每个智能体朝其观察同伴的平均动作调整，同时被反馈信号拉向博弈特定目标。
• 线性近似为 a_t+1=ηθ^⋆ 1+((1−η−κ)I+κ M)a_t，κ 为模仿强度、η 为反馈强度、M 为行归一化观察矩阵；混合速率由 M 的谱隙决定，符号由个体有吸引力行为与集体目标的对齐决定。
• 由此得到一个待检验（而非假设）的统一假说：信息的福利效应 ≈ 行为混合速度 × 被传播行为是否对齐的符号；作者强调符号是人群在耦合下的涌现性质，不是从博弈标签推出的。

六个博弈

• 按对齐性质分组而非按"合作/竞争"标签：相对对齐的是 bandit（发现，探索是公共品）、sum-guessing 与 stag-hunt（协调）；错位的是 pgg（公共品困境，搭便车）与 el-farol（反协调/拥堵）；threshold-pgg 是困境包协调的混合体；stag-hunt 是刻意饱和的对照（一致阈值下几乎任何披露都能协调，信息量梯度按构造是平的）。
• 每轮选择时看不到他人当期动作，管理者的链接是学习他人行为的唯一通道；完整动作空间、收益、反馈与逐字提示词在 SI（Table S1 及 §Game Specifications）。

实验设计

• RQ1（信息量）：随机加链接扫预算 K ∈ {0, 10, 25, 40, 55, 70, 90}；K=0 为无信息基线，K=90=N(N−1) 为完全有向图；随机连边以把数量效应与结构效应分离。
• RQ2（拓扑）：固定 E=40 条有向边，比较四个结构极端——hub 与 regular（度异质性最大/最小）、barbell（两社群加一座桥，模块化最大）与 expander（良好混合，模块化最小）；谱隙分别为 0.34/0.44/0.40/0.07，模块度 0.12/0.19/0.10/0.45。作者称因结构指标在四个拓扑上共变，只作为局部固化的联合探针，不做单指标归因。
• 探索性时序分析：固定总边-轮预算，在两个预算锚点（K=25、70）比较恒定、前置、后置三种披露日程；因效应统计上脆弱，只作补充发现。

数据规模与统计

• 共 1,080 个 episode：RQ1 七档预算、RQ2 四种拓扑、时序分析（2 日程对比 × 2 锚点），各与 6 个博弈、12 个 seeds 交叉；模型 qwen2.5:7b，temperature 0.7，本地部署，约 216k 次模型调用；图均显示 12 个 seeds 的均值 ±1 SEM。
• 检验与问题匹配：RQ1 用 Spearman 趋势与 Cliff's δ（Table S2）；RQ2 用 Kruskal–Wallis omnibus 加逐拓扑排名（Table S4）；时序用种子配对 bootstrap CI、Benjamini–Hochberg FDR 校正与 TOST 等价检验（Table S6）。作者明确写道样本量是真实的局限并按格报告。

实验设置

• 被测模型：仅 qwen2.5:7b（temperature 0.7，256-token 上限，Ollama 本地部署，NVIDIA A100）；全部 10 个智能体是同一模型的相同实例。
• 评测环境：六个自建博弈（Table S1）——sum_guessing、stag_hunt（协调）、bandit（发现）、pgg、threshold_pgg（困境）、el_farol（反协调）；N=10、T=20、γ=0.95。
• 条件：RQ1 扫 K ∈ {0,10,25,40,55,70,90}；RQ2 在 E=40 下比 hub/regular/expander/barbell；时序分析在 K=25、70 下比恒定/前置/后置日程。
• 指标：群体折扣累计福利（均值 ±1 SEM）；统计检验为 Spearman r、Jonckheere–Terpstra、KW omnibus、Cliff's δ（Table S2），跨博弈符号分离用 game-level Mann–Whitney 单侧检验。
• 样本量：每格 12 seeds，共 1,080 episodes、约 216k 次模型调用；论文未报告跨模型重复。

主结果

RQ1 各博弈在极端预算下的折扣福利与趋势检验（据 Table S2）：

表格较宽，可左右滑动

博弈	类别	W(K=0)	W(K=90)	Spearman r (p)	Cliff's δ	判定
bandit	发现	1823	2031	+0.89 (<.001)	+1.00	sig. (+)
sum-guessing	协调	−8640	−5665	+0.35 (.001)	+0.44	sig. (+)
stag-hunt	协调	2082	2408	+0.06 (.58)	−0.17	ns（对照）
pgg	困境	9299	5514	−0.60 (<.001)	−0.85	sig. (−)
threshold-pgg	困境	3628	2793	−0.24 (.029)	−0.78	sig. (−)
el-farol	反协调	192	125	−0.54 (<.001)	−0.62	sig. (−)

• 作者报告符号分离在全部六个博弈上成立：对齐博弈 r 非负、错位博弈 r 为负（game-level Mann–Whitney 单侧 p=0.05，3 对 3 博弈下可达的最小值），六个中五个单独达到统计显著；作者将其读作单一受控 LLM 人群内的跨博弈经验规律，而非跨模型不变的定律。
• Figure 1 显示每条曲线都非单调（"更多不是更好"），作者称报告的是整体跨博弈秩模式而非逐点单调；threshold-pgg 呈浅谷：从 K=0 的 3628 降至 K≈40 的 3057，K=55–70 恢复到 3572，K=90 降至最低 2793，作者解读为搭便车传染与阈值协调两股力量交替占优，且中段种子间 SEM 约增为四倍。
• stag-hunt 是唯一不显著的格子，作者称其为按构造梯度平坦的饱和对照。

RQ2：固定预算下的拓扑

E=40 下四种拓扑的 KW omnibus 与折扣福利（据 Table S4，n=12 seeds）：

表格较宽，可左右滑动

博弈	KW p	hub	regular	expander	barbell
pgg	.0008	8870±248	8761±491	8032±526	6189±552
el-farol	.0037	163±10	124±10	151±15	110±9
threshold-pgg	.015	3567±28	3135±133	3425±39	3110±130
bandit	.019	2007±4	1987±9	1990±5	1976±8
stag-hunt	.076	2432±49	2431±24	2428±45	2536±20
sum-guessing	.79	−7590±1133	−7369±1288	−7181±1228	−6644±1294

• 作者报告拓扑只在三个错位博弈中显著，两个协调博弈不显著；bandit 名义显著（p=0.019）但跨拓扑福利差距不足 2%，作者称可忽略。
• 在架构起作用的错位博弈中，模块化 barbell 稳定是最差布线，作者称其相对最优拓扑损失 13–33% 福利；hub 在全部三个错位博弈中最好，但作者称这一次级趋势不如 barbell 惩罚干净。
• 作者指出 barbell 惩罚的符号与人类演化博弈论的网络互惠直觉相反，并给出解释：网络互惠依赖基于适应度的选择，而 LLM 智能体是较软的反馈驱动耦合，模块化"孵化区"在错位博弈中放大的是有害行为；因四个结构指标共变，作者只报告 KW omnibus 与 barbell 对比，不做单指标回归（Table S5、§Structural Metrics）。

机制的直接检验

• 论文在决策日志层面检验行为耦合假设（Eq. S1，Table S7、Fig. S6）：以一步动作变化对观察同伴上一轮平均动作、非同伴上一轮平均动作和自身上一轮动作做 OLS 回归，标准误按 run 聚类（每博弈约 26k 智能体-轮、156 次运行，限 0<K<90）。
• 作者报告被观察同伴系数 bobs 在全部六个博弈中高度显著，且 bobs−bnon 均为正并显著（p 从 8×10⁻⁴ 到 2×10⁻⁵⁹）；五个模仿型博弈 bobs>0（stag-hunt 0.66、sum-guessing 0.49 最强），el-farol 中 bobs=−0.10 为负，作者称其为反协调博弈所奖励的回避，方向与机制一致。

探索性时序分析

• 固定总边-轮曝光，在 K=25、70 下比较恒定（A）、前置（B）、后置（C）日程（Table S6）：12 个格子的 B−C 对比无一经 BH-FDR 校正存活，作者将其作为探索性发现而非正式结论。
• 作者点名三个原始效应：el-farol 在两个预算下都被后置损害（C−A=−41, p=0.005；−51, p=0.009）；threshold-pgg 在 K=70 下任何偏离恒定披露都有害（B−A=−844, p=0.002；C−A=−637, p=0.012）；bandit 在 K=70 下略微偏好前置（B−A=+16, p=0.016，幅度 <1%）。作者称两个困境方向不一致，时序不像信息量那样由策略类型决定。

其他消融与分析

• RQ1 机制（Table S3）：随机 K 扫描下控制 K 后，几乎没有单一结构指标与福利保留独立关联（仅 pgg∼谱隙 partial r=−0.22, p=0.047 与 el-farol∼集中度 r=+0.26, p=0.016 两个名义信号，均未通过校正）。
• 时间演化（Fig. S1）：K 驱动的福利差距及其符号随轮次逐渐张开，而非在某一轮突然出现。
• 时序补充视图（Fig. S2–S5）：折扣与不折扣累计、逐轮轨迹与终点柱状图；作者称各视图结论一致——日程差异只在错位博弈可见且均为二阶效应。

作者指出的局限与后续方向

• 单一模型（Limitations (i)）：实验只在一个受控 LLM 人群内确立信息网络效应，不是跨模型不变的定律；作者提出传染账户预测可迁移到表现出类似观察条件模仿的人群，但跨模型迁移需要直接检验，并建议哪怕用第二个模型在少数代表性博弈和预算上复制 RQ1 也能收紧规律的适用范围。
• 只有一个反协调博弈（Limitations (ii)）：拥堵一侧的符号模式是单点而非一族。
• 时序结果仅为探索性（Limitations (iii)）：每格 12 seeds 下没有任何日程对比经 FDR 校正存活，只能带着等价性 caveat 报告，既不能当作已证实的效应也不能当作已证实的无效应。
• 结构指标共变（Limitations (iv)）：N=10 下多个结构指标共同变动，只能报告 KW omnibus 与 barbell 对比，不做单指标归因。
• 后续方向（Limitations 末）：作者称以上每一条都是更高重复、多模型后续工作的自然目标；Synthesis 节还提出时序结果可激励自适应、依赖状态的披露时机干预。

实验覆盖范围

• 被测模型仅 qwen2.5:7b 一个（temperature 0.7、256-token 上限），全部 10 个智能体为同一模型的相同实例（§Parameters, Configuration, and Computing）。
• 评测环境为六个自建博弈：协调两个、发现一个、困境两个、反协调一个（Table S1）。
• 条件覆盖：RQ1 七档预算、RQ2 四种拓扑、时序分析两个预算锚点 × 三种日程；每格 12 seeds，共 1,080 episodes（§Experimental Design）。
• 观察内容只含同伴过往动作，不含收益与当期动作；智能体间无消息通道（§Setup and Objective）。
• 论文未报告在其他模型族上的任何重复实验；作者明确写道跨模型族迁移是另一个独立的实证问题（§Setup and Objective、Limitations）。

一篇多智能体 LLM 治理的分析型论文：把信息网络（谁观察谁）从固定交互网络中解耦出来，作为运营者可设计的治理杠杆。

• 问题：智能体群体的集体行为无人直接设计，而交互网络与激励往往不可改；作者问运营者只能控制观察结构时，该分享多少信息、又该让谁观察谁。
• 方法：10 个相同的 qwen2.5:7b 智能体玩 6 种重复博弈 20 轮，管理者在预算下添加只揭示过往动作的有向观察链接；扫七档预算（RQ1）、在 E=40 下比四种拓扑（RQ2），共 1,080 episodes、每格 12 seeds；机制是观察制造行为耦合，福利效应 ≈ 混合速度 × 对齐符号。
• 信息量结果：符号分离在全部六博弈成立——对齐博弈福利随预算上升、错位博弈下降（Table S2）；pgg 在 K=0 时福利最高（9299），完全披露时降至 5514；stag-hunt 作为饱和对照不显著。
• 拓扑结果：固定预算下拓扑只在错位博弈中起作用（pgg KW p=0.0008），模块化 barbell 在全部三个错位博弈中最差，作者称其损失 13–33% 福利，并称这与人类演化博弈论的网络互惠直觉相反（Table S4）。
• 机制与附带结果：日志级回归显示智能体对实际观察到的同伴反应更强、方向与博弈类型一致（Table S7）；披露时序的效应经 FDR 校正后无一存活，仅作探索性报告（Table S6）。
• 作者结论：信息是真实的治理杠杆，但方向与幅度取决于博弈与预算；设计前应先问更大的可见性会放大什么行为，因此反对智能体集体默认完全透明；作者同时强调这是单一受控人群内的经验规律，跨模型迁移需另行检验。