Coherence-Driven Belief Formation and Population Dynamics of Contagion in LLM Agents 论文揭示 Agent 信念传播的非线性阈值与不可逆共识

该论文通过实证测量语言模型 Agent 的信念采纳行为，发现其采纳概率随同伴背书数量呈 S 形（sigmoid）分布，属于复杂传染（complex contagion）特征，而非简单的线性传播。这一采纳阈值受三个维度影响：主张的可信度、来源可靠性以及 Agent 自身的倾向性，这三个维度可被一个“相干性”（coherence）指标有效近似，即新信念与 Agent 先验信念的一致性程度。

在群体动力学层面，研究观察到在聚类网络中信念传播比随机网络更显著，且系统存在分叉级联窗口和自持滞后共识现象。这意味着一旦达成共识，移除共识的难度远高于建立共识的难度，表现出强烈的路径依赖和锁定效应。这些发现基于对 AI Agent 系统的直接观测，量化了信念采纳的概率函数，并验证了复杂网络理论在 AI 多智能体系统中的适用性。

事实层面确认了 LLM Agent 在社交模拟中表现出的非线性传播机制和滞后效应；推断层面表明，若将此类 Agent 部署于开放信息环境或协作任务中，可能面临难以纠正的错误共识风险，需设计专门的干预机制打破滞后循环；猜测层面认为，这种相干性驱动的机制可能成为未来 Agent 对抗信息污染或构建稳健协作协议的基础，但具体实现路径尚待工程验证。