当压力成为信号时：检测多智能体 LLM 系统中的反脆弱性兼容机制

多智能体 LLM 系统越来越多地用于通过分解、辩论、专业化和集成推理来解决复杂任务。然而，这些系统通常根据鲁棒性进行评估：在扰动下是否保持性能。本文研究了一个不同的问题：语义压力是否暴露了可以支持未来反脆弱学习的结构化变化。我们引入了 CAFE（认知反脆弱性评估框架），这是一种用于检测多代理架构中反脆弱性兼容机制的统计框架。 CAFE 对语义压力源的受控预期分布进行建模，根据多维判断信号重建特定于体系结构的观察到的有效压力分布，并使用凸压力势下的分布 Jensen Gap 比较这两个分布。正差距并不意味着绩效立即提高；相反，它表明观察到的应力分布存在凸膨胀变形，表明该架构暴露了可学习的应力结构。我们在银行风险分析基准上评估 CAFE，具有五种多代理架构：扁平、分层、辩论、元自适应和集成。在所有架构中，语义压力使平均判断质量降低了大约三分之一。然而，所有架构都表现出正分布 Jensen 差距，引导置信区间大于零。这些结果表明，即时质量下降可以与统计上可检测的抗脆弱性兼容的应力几何共存。因此，CAFE 本身并不是一个反脆弱学习器，而是一个测量层，用于确定何时何地值得应用反脆弱学习。