AgentCollabBench：诊断好代理何时成为坏合作者

多智能体系统通过同行协作实现最先进的成果。然而，当管道中的代理默默地放弃约束时，即使推理链悄悄损坏，系统的最终输出可能看起来是正确的，并且现有的基于结果的评估对这种多跳过程失败视而不见。为了在部署之前测量这些漏洞，我们引入了 AgentCollabBench，这是一个诊断基准，包含 900 个经过人工验证的任务，涵盖软件工程、DevOps 和数据工程。每个任务都会隔离四种行为风险之一：指令衰减（约束是否能够承受同伴压力？）、错误信念传染（谎言是否通过共识传播？）、上下文泄漏（任务之间的信息是否会流失？）以及跟踪器持久性（标记的数据是否到达最终代理？）。通过评估四个现代 LLM（GPT 4.1 mini、Gemini 2.5 Flash Lite、Qwen-3.5-35B-A3B 和 Llama 3.1 8B Instruct），我们公开了仅结果评估不可见的特定于模型的漏洞配置文件；例如，Qwen-3.5-35B-A3B 在示踪剂耐用性和指令稳定性方面领先，而 GPT 4.1 mini 在泄漏遏制和错误信念抵抗方面领先。除了每个模型的差异之外，通信拓扑还成为主要风险因素，它解释了多跳信息生存中 7-40% 的差异。该效应可追溯到聚合 DAG 节点特有的综合瓶颈：权衡竞争父级输入的代理会丢弃少数分支所携带的约束，这是线性链在结构上不存在的瓶颈。 AgentCollabBench 证明，次优拓扑可以默默地消除高性能模型的保障，并认为多智能体可靠性从根本上来说是一个结构性问题，仅扩展模型智能并不能替代架构。