多智能体大模型协作中的语义信息压缩现象

近日，一项发表在arXiv上的研究揭示了多智能体大语言模型系统中的一个关键问题：语义信息压缩现象。研究团队发现，当多个AI智能体协作处理复杂任务时，中间环节的文本转换会系统性地压缩关键的语义区分信息，导致下游决策准确性下降。

研究采用三智能体流水线架构（收集器-评估器-决策器），通过句子嵌入空间中的标签分离度来量化压缩程度。在政治事实核查、情感分析和医疗分诊三个领域的测试中，评估阶段的语义区分度平均下降41.7%，而直接传递则能几乎完全保留信息。

研究还设计了五种架构变体，证实了定向语义转换是压缩现象的主要驱动因素。有趣的是，一个追求可信度的变体虽然产生最小的几何压缩，却将输出偏向“基本真实”类别，表明转换方向独立于压缩程度控制着分布变化。

该现象在不同领域表现出不同强度：事实核查压缩41.7%，情感分析27.2%，医疗分诊20.0%。提示层面的回归分析解释了78%的变异，操作约束与较低压缩相关。这些发现对高风险领域的安全评估具有重要意义，提醒开发者在设计多智能体系统时需关注语义信息的完整性保护。