面向多智能体讨论的上下文学习

多智能体讨论（MAD）近期受到广泛关注，其中多个大语言模型（LLM）实例通过结构化讨论协同解决问题。然而，现有方法常因各智能体上下文不一致而导致讨论失谐，难以达成连贯解。本文提出一种多LLM上下文学习方法（M2CL），为每个智能体学习一个上下文生成器，可在每轮讨论中通过自动信息组织与精炼动态生成上下文指令。受上下文指令理论启发，M2CL采用精心设计的自适应机制训练生成器，以控制上下文一致性并调节输出差异，从而避免过早收敛于多数噪声，逐步达成正确共识。在学术推理、具身任务和移动控制等挑战性任务上的实验表明，M2CL性能显著优于现有方法20%–50%，且具备良好的迁移性与计算效率。