贝叶斯充分压缩仍不够：多智能体通信怎样帮助接收方决策？

多智能体 LLM 系统将具有广泛上下文的发送者和具有有限本地视图的执行者配对。我们研究短消息何时可以改善执行者的下一个决策、何时更可取原始上下文以及何时更强的发送者会提供帮助。我们的框架，接收者相对有界协调，将消息效用表示为接收者增益减去协议税。当节省的协议开销超过由于遗漏信息和解码器不匹配造成的损失时，压缩会击败原始上下文。当有界执行器无法使用其表面形式时，即使 Bayes-sufficient 压缩也可能会失败。三阶段分解将外化、吸收和动作闭合分开，解释了在正确的内容到达接收者之后错误是如何保留的。在单交叉条件下，当接收方负担超过阈值时，升级发送方才有帮助。在六个基准测试中，相同的 Qwen 协议将 ContextBench 联合精度从 $0.633$ 提高到 $0.775$，但将 ToolSandbox 从 $0.889$ 降低到 $0.653$。尽管产物恢复正确，固定消息重放仍显示行动闭合失败。这些结果指导推理时选择器提高评估的通信机制的准确性成本边界。