LLM 软件设计细化联盟：多代理协作拓扑的受控实验

我们提出了一项对照实验，评估用于软件架构设计的 12 个多代理 LLM 协作拓扑。使用 $2\times2\times2$ 因子设计（权威 $\times$ 角色 $\times$ 动态），我们在 8 个不同复杂度的设计任务中进行了 520 次实验运行，每个任务重复 5 次。由三个独立的自动评估器（GPT-OSS 120B、Claude Opus 4.6、Claude Sonnet 4.6）在 12 维标题上对设计进行评估。我们报告了四项核心发现。首先，结构对抗性（v4b）在整体上排名第一——一种即时设计的对抗性变体，需要重写命令而不是补丁（加权整体：4.637/5.0）。其次，跨模型审查一致获得第二名——用一个模型生成，用另一个模型审查——所有三个评估者排名第二（加权整体：4.606）。第三，评估者多样性本身就是一个发现——所有三个评估者都同意 v4b 最好，v3 最差，但对 v2b 意见分歧很大（Claude d=1.44 与 GPT-OSS d=0.45），揭示了不同模型系列如何权衡设计质量。第四，并行合并从根本上被破坏了——由于词元饥饿和弗兰肯斯坦效应，所有三个评估者都将合并变体放在底层（3.65-3.79）。加权整体（$2\times$Opus + $2\times$Sonnet + $1\times$GPT-OSS）在 520 次运行中提供了稳健的排名，并通过独立交叉验证得到确认。