多代理協作的幻覺：我們需要的是「異議機制」，而非共識

當我們談論多代理（Multi-agent）協作時，常陷入一種集體腦力激盪的美好想像。然而，缺乏精心設計的互動結構，多代理系統極易退化成無效的循環附和與共識陷阱。真正的挑戰與價值，並非讓 AI 們和諧地達成一致，而是建立一套能主動製造「異議」（dissent）的工程機制。透過動態指名、角色輪替與挑戰性提示，我們才能打造出能夠檢查彼此盲點、深化論證的協作智慧，而非僅是單一模型思維的放大迴響。

為什麼簡單的輪流發言，反而扼殺了深度？

讓多個 AI 代理人進行會議或討論，是個誘人的想法。但只要動手實作，很快就會撞上一面樸實無華卻難以突破的牆：無論是議題分析還是創意發想，代理人們常常在幾輪發言後，就開始互相認同、重複彼此的觀點，最終陷入一種禮貌而空洞的循環。討論看似熱烈，實則沒有任何進展。

這種現象，根植於大型語言模型（LLM）的基礎行為模式——它們被訓練來預測最有可能的下一個詞語，這使得它們在沒有明確指令時，傾向於「附和」前文，而非提出「挑戰」。

一個常見的實作方式是「輪詢」（Round-Robin），也就是讓每個代理人依固定順序發言。這種機械式的流程，恰好放大了附和傾向。每個代理人僅需回應前一位的發言，缺乏全局觀，也缺少提出顛覆性觀點的動機。這與人類社會心理學家 Irving Janis 在 1972 年提出的「群體思維」（Groupthink）現象如出一轍：對和諧與共識的過度追求，反而壓制了批判性思考，導致決策品質低落。

日本開發者 Yoshi Katakura 在他的專案「Soul-Twin」中，便遇到了完全相同的困境。他讓 10 位扮演世界領袖的 AI 代理人進行座談，但無論主題是什麼，討論很快就變得重複且缺乏火花。這促使他思考，問題不在於 AI 的能力，而在於協作的「規則」。

從輪詢到動態指名：建立有目的的對話流

為了解決循環附和的問題，Katakura 團隊設計並迭代出一個稱為「指名方式 v3.0」（Nomination Method v3.0）的互動機制。這個設計的核心概念非常簡單，卻極為有效：取消固定的發言順序，要求當前的發言者在結束時，必須「指名」下一位最適合接續討論的代理人。

這個小小的改動，為整個系統帶來了質變：

• 從被動回應到主動判斷：代理人不再只是回應上一句話，它必須思考「我的發言，為整個討論貢獻了什麼？基於這個貢獻，接下來應該由誰、從哪個角度切入，才能讓討論更有價值？」這強迫 AI 進行一次關於對話結構的「後設認知」（metacognition）。
• 從線性流動到網狀交織：對話不再是 A→B→C 的單線道，而是依據內容的關聯性，在不同代理人之間動態跳轉。例如，提出經濟數據的代理人，可能會指名專精於社會影響分析的代理人來進行補充，而非輪到順序下一位的任何人。
• 從單一論點到多維辯證：為了做出合理的指名，代理人需要更好地理解其他參與者的角色、專長與潛在觀點。這自然而然地促使系統從單一視角的延伸，走向多維度的觀點碰撞。

這個「指名」的動作，雖然簡單，卻是一個基礎的異議工程。它隱含著一個前提：並非每個人的下一句發言都等價，我們需要策略性地選擇能推進討論的聲音，甚至是有意選擇可能提出反對意見的聲音。

一個健康的多代理系統，其價值不在於達成共識的速度，而在於揭露潛在風險與替代方案的品質。異議不是噪音，而是系統自我修正的關鍵訊號。

如何將「異議」制度化，而不只是期待 AI 自發挑戰？

動態指名是一個漂亮的起手式，但要建構一個真正強健、能夠自我糾錯的協作系統，我們需要更刻意地將「異議」制度化。與其期待 AI 自發地扮演反對者，不如在系統設計中直接嵌入挑戰與制衡的角色。這也是近年來許多前沿多代理框架的核心思想。

例如，史丹佛大學與 Google 研究人員提出的 "AutoGen" 框架，允許開發者定義具有不同職責的代理人，並設計它們之間複雜的對話模式。你可以明確指定一個「批評者」（Critic）代理人，其唯一任務就是質疑其他代理人提出的方案，尋找其中的邏輯漏洞與潛在風險。

更進一步的，像是 MetaGPT 框架則將軟體開發流程標準化，為代理人分配了產品經理、架構師、工程師、品保等具體角色。在這種結構下，「品保」代理人的天職就是找出「工程師」代理人程式碼中的錯誤——異議與挑戰，是它被賦予的核心職責，而非一種偶然的行為。

將這些概念整合起來，一個成熟的異議機制可以包含以下幾個層次的設計：

1. 指定角色（Assigned Roles）：在協作開始時，就明確指派「挑戰者」、「整合者」、「事實查核員」等角色，讓挑戰共識成為某些代理人的內建任務。
2. 動態輪替（Dynamic Rotation）：為避免角色固化導致的偏見，可以設計讓這些關鍵角色在討論的不同階段進行輪替。
3. 質疑提示（Challenge Prompts）：系統可以週期性地注入引導性問題，例如「目前共識的最大風險是什麼？」、「是否有任何被忽略的替代方案？」、「支持這個結論的證據強度足夠嗎？」，強制所有代理人從批判性角度重新審視現狀。

從簡單的輪流發言，到動態指名，再到制度化的異議設計，我們看見的是一種思維的轉變。多代理協作的目標，不應是模擬一場和諧的圓桌會議，而應該是打造一個具備內在張力、能夠自我挑戰與進化的認知引擎。唯有如此，我們才能真正利用多個 AI 的力量，獲得超越單一模型總和的洞見。

延伸閱讀

• Soul-Twin: 10人のAI偉人による座談会を実現する「指名方式v3.0」の設計と実装
• MetaGPT: Meta Programming for Multi-Agent Collaborative Framework
• Microsoft AutoGen Official Documentation
• CAMEL: Communicative Agents for "Mind" Exploration of Large Scale Language Model Society

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。