幻觉雪球：将多智能体LLM流水线中的错误传播建模为状态转移

顺序式多智能体LLM流水线将专用智能体串联起来，却在交接处不做验证，由此形成一个后果可测量且严重的结构性缺陷。我们展示，在第一阶段注入的幻觉不只是持续存在，还会发生形态转化：原始数值事实变为推导出的计算结果，再变为叙述性文字，最后变为经编辑认可的结论。每一次转化都使可检测性近乎不可逆地退化。我们将这一现象形式化为幻觉雪球效应：一个覆盖四个状态（原始事实→推导→叙述→不可见）的一阶马尔可夫过程，各边界的实测逃逸概率分别为24.6%、48.3%和89.3%。在FinanceBench上一个4智能体金融分析流水线中自动注入346个幻觉后，gpt-4o的检测率从第1阶段的72.0%降至第4阶段的50.9%，且23.7%的幻觉在最终输出中完全未被检出。即便是测试中最强的模型（Qwen3.5-397B-A17B，第1阶段87.0%）也面临结构性上限：推算的第4阶段检测率仅约60-65%。关键在于，使用相同RAG验证工具的边界门控相较流水线末端检查，将幻觉存活率从58.4%降至16.2%（Cohen's h = -0.911，p < 0.000001），而仅靠末端检查相对无验证仅有2.3个百分点的改善。何时验证比是否验证更重要。我们的模型可预测n智能体线性流水线中的幻觉存活率，并给出最优验证资源配置方案：优先投入S1→S2边界，此处75.4%的幻觉仍可捕获，而非S3→S4边界，此处89.3%的幻觉已经逃逸。