多样证据更好的预测：信息不对称下的多智能体审议

多智能体系统日益被用于预测未来事件——因为相信多个LLM间的审议能改进推理与校准。但既有方法忽视一个关键设计选择：每个智能体接收什么信息。当所有智能体被给予相同证据——审议坍缩为羊群行为而非真正的信念修正——使多智能体系统并不比单智能体好多少。我们将此识别为根本缺口——并提出设计性信息不对称以填补：将证据划分为共享公共子集与互斥私有子集——每个智能体持有独占知识——只能经审议抵达他方。我们从理论上表明该分解降低智能体间误差相关性——并将其实例化为InfoDelphi——结合相关性感知证据路由、基于理据的迭代审议与置信度加权聚合的框架。在PolyGym——从真实预测市场导出的375道二元预测题基准——上——InfoDelphi在Brier分数上超越最强单智能体与多智能体基线12-18%——准确率上超越4-8个百分点。更细致的实验确认：移除信息不对称即消除大部分审议增益——确立输入多样性是有效多智能体推理的关键使能因素。