协调作为基于 LLM 的多代理系统的架构层

多智能体 LLM 系统在生产中的失败率在 41% 到 87% 之间，主要是由于协调缺陷而不是基础模型能力。现有的响应分为根据经验对故障模式进行分类和将声明性编排框架作为工程工具；两者都没有提供从协调配置到可预测故障模式签名的原则性映射。我们认为，协调应该被视为可配置的架构层，与代理逻辑和信息访问分开，从而实现架构推理而不仅仅是工程生产力。我们通过预测市场上的信息控制设计来实例化这一点：单个 LLM、固定工具、固定每次调用输出上限以及跨五个参考协调配置的固定提示模板，每个问题的总计算被视为内生架构输出。 Brier 分数的墨菲分解将校准与判别力分开，因此即使总分数一致，配置也会留下可区分的特征。在模型训练截止后 (claude-opus-4-6) 解决的 100 个 Polymarket 二元市场上，我们报告了墨菲签名、成本质量帕累托前沿、类别条件分析和引导功率投影。五个预先指定的预测中的三个在方向上得到维持；两种配置在该政权内主导帕累托边界；探索性引导间隔将共识对齐与其他对齐分开，尽管成对测试在 n=100 时无法通过 Bonferroni 校正。我们还在支持网络搜索的条件下在 Foresight Arena 上部署与实时代理相同的配置，作为并行累积的链上复制通道。发布了 Harness、跟踪数据集和生产代理。我们将其定位为验证首次实例化的方法，而不是一般的跨模型声明。