分离规划与表达：以知识约束提高多Agent辩论稳定性

多智能体辩论框架已被证明可以提高 大语言模型 在收敛任务中的性能，但它们目前的优化方式非常有利于最终输出的准确性而不是过程的稳定性。在长期的交流过程中，反应系统在持续的扰动下常常会经历逻辑退化、论证重复和角色漂移。为了从结构上防止身份丢失并保持流程保真度，我们引入了基于知识的反事实推理（KG-CFR），这是一种双阶段架构，它强制执行私有、检索增强的计划缓冲区和公共执行层之间严格的职责分离。我们在不确定性下的动态资源分配（DRAU）中评估该系统，这是一个专用的 1v1v1 环境，引入了与标准辩论设置不同的多样性。超过 270 个具有随机环境冲击的全因子设计危机模拟轨迹，KG-CFR 在超过 95% 的扰动运行中防止了评估器判定的的关键冲击后退化（定义为质量转变，$Δ\le -0.20$），将整体论证质量从 0.694 提高到 0.822。我们的主要贡献是证明架构解耦是在持续压力下增强系统弹性而不造成质量损失的重要因素。此外，我们引入了用于话语分歧和计划执行一致性的自定义向量指标，为操作稳定性提供了强有力的、方向一致的证据。我们的消融实验表明，正确的理论基础对于论证质量来说与前瞻性规划一样重要。根据我们最初的度量评估，KG-CFR 通过保持代理与原始计划的一致性来减少语义循环。