信息不对称设计：多智能体协同预测的新范式

多智能体系统在事件预测领域应用日益广泛，传统方法通常让所有智能体接收相同信息，导致讨论过程容易陷入群体思维而非真正的信念修正。最新研究发现，这种信息同质化设计使得多智能体系统表现与单智能体相差无几。

研究团队提出创新解决方案：通过设计信息不对称来激发有效讨论。该方法将证据划分为公共共享和私有独占两部分，每个智能体持有独家知识，必须通过讨论才能让信息流通。理论分析表明，这种设计能降低智能体间的错误相关性。

基于此理念开发的InfoDelphi框架包含三个核心组件：相关性感知的证据路由机制、基于推论的迭代讨论流程，以及置信度加权聚合算法。在PolyGym基准测试中——该数据集包含375个源自真实预测市场的二元预测问题——InfoDelphi在Brier评分上比最强单智能体和多智能体基线提升12-18%，准确率提高4-8个百分点。

进一步实验证实，消除信息不对称会大幅削弱讨论带来的性能增益，验证了输入多样性是多智能体有效推理的关键驱动因素。这项研究为构建更可靠的多智能体预测系统提供了新的设计思路。