多智能体决策：布莱克威尔的信息方法

大语言模型 (LLM) 的快速发展推动了多智能体系统决策的研究，其中多个智能体协作实现共同目标。现有的汇总方法，例如投票和辩论，很大程度上是临时性的，并且缺乏对最终决策的信息性的正式保证。在本文中，我们提供了一种原则性方法，使用 Blackwell 的信息性框架来分析在多 LLM 设置中做出的决策。在布莱克韦尔信息结构抽象中，我们表明投票和辩论所产生的信息结构并不比所有代理的汇总私人信息提供更多信息。该结果将贝叶斯合并后验最大化确定为 Blackwell 排序下的信息论上限决策规则。受此理论分析的启发，我们为基于 LLM 的问答 (QA) 任务引入了一种实用方法，该方法估计每个代理的后验并使用后验乘积估计器来近似合并后验。对六个 QA 基准的大量实验表明，我们的方法优于最先进的多 LLM 辩论和投票方法。