探索共识的拓扑和记忆：LLM 智能体在形成约定时如何达成一致、分裂或解决

LLM 代理应该记住多少内容，以及在试图达成共识时，多代理系统应该如何连接？我们展示了这两种设计选择以一种翻转记忆对协调的影响的方式相互作用的方式。在 8 个固定 16 代理拓扑上运行的网络命名游戏的 432 次模拟中，我们改变了内存深度和网络结构。较长的内存会减慢去中心化网络达到稳定状态的时间，但会加速中心化网络达到稳定状态的时间；根据拓扑结构，相同的参数将系统推向相反的方向。至关重要的是，中心化网络中的“更快稳定”意味着更快地锁定一个分散的平台，而不是达成全系统的共识，这可能会产生不同的意见。我们进一步记录了内存介导的速度统一权衡：中心化网络始终比去中心化网络保留更多竞争约定，但它们的稳定速度很大程度上取决于内存。在代理层面，网络内分析表明，高介数桥会遭受经纪惩罚，而本地集群社区中的代理则获得更高的协调成功率。最后，在寻找分析上易于处理的生成机制时，我们发现虚拟游戏很好地捕捉了智能体的选择，表明基于信念的适应而不是基于奖励的适应。实际意义：存储深度和通信拓扑应该共同设计，而不是单独优化。