Contagion Networks: Evaluator Bias Propagation in Multi-Agent LLM Systems
传染网络：多智能体LLM评估偏差传播的量化与抑制
🧭 多智能体LLM评估偏差传播与抑制 ★ 深度解读
Qilu Institute of Technology, School of Software Engineering
提出传染网络框架，量化多智能体LLM中评估偏差传播，揭示同模型抑制与委员会多样性降低传染效应
📌 工作参考价值（4 点）
- 同模型评估者池优先：在电商搜索/推荐的多智能体架构（如 query 评估、对话推荐）中，尽量使用同一模型家族但不同角色提示的智能体相互评估，避免跨模型（如 GPT-4o 评估 DeepSeek）引入的偏差放大（同模型传染系数仅 0.14–0.30，跨模型可达 0.85–1.3）。
- 策略熵作为健康监控指标：实时跟踪各智能体的策略权重熵 H(w)，若持续下降逼近低值，提示可能存在传染偏向单一策略，需触发多样性注入或评估者轮换。
- 评估者委员会降传染：对关键决策节点，采用 k≥3 个评估者组成委员会，可将有效传染降低 72% 以上，是一种低成本防御机制，适合工业级多智能体系统。
- 部署前测量 Γ 矩阵：新建多智能体系统时，先跑一轮小规模传染矩阵测量，若谱半径 ρ(Γ)>1（全连接拓扑）或存在单跳 γ>1（链拓扑），需调整网络拓扑或评估配置，避免级联坍塌。