多智能体讨论越多人越靠谱？普林斯顿：取决于骗子占比，而不是人数
源论文：How Does Adversarial Influence Scale in Multi-Agent Systems?（arXiv:2609.30028，Princeton，2026-09-24）
「三个臭皮匠顶个诸葛亮」是当下多智能体系统的底层信仰：多个 LLM 智能体互相讨论、互相质疑，答案质量就会提升。普林斯顿团队问了信仰背后一个冷问题：如果讨论组里混进了故意骗人的智能体呢？
答案给信仰泼了盆冷水：决定小组被带偏程度的，不是人数，而是骗子占比——而且和人类从众心理实验的经典结论正好相反。
实验怎么做的
设置很干净。小组里两类角色：
- 诚实智能体：正常解题，目标是和大家一起找对答案。它们不知道组里可能有骗子。
- 欺骗者：每轮都私下拿到标准答案（不是为了答题，是为了精准地错），任务是说服其他人选一个错误答案，且不能暴露自己的角色和「偷看答案」的事实。
讨论流程：各自先独立作答（第 0 轮）→ 多轮公开讨论+私下反思 → 最终投票。题目来自 Humanity's Last Exam（HLE），按难度分层，保证「初始答对」这件事本身有意义。
小组规模 2 到 21 人，骗子占比 0、1/5、1/3、3/7——每种占比下都改变总人数，这样能分开验证「人数」和「占比」哪个才是关键变量。测了 Gemini 3.8 Flash、Grok 4.3、DeepSeek V4.1 Flash、Muse Glimmer 四个模型，诚实方和欺骗方默认用同款。
核心指标是诚实方叛变率：初始答对的诚实智能体，最终投票改投错误答案的比例。
发现一：叛变率随骗子占比线性上升，少数派就有效
四个模型全部呈现近似线性增长（R² 0.82–0.97），占比每提高 0.1，叛变率涨 2.1–5.7 个百分点。
对比人类经典从众实验（Asch 线段判断）：人类只有在「误导者占多数」时才被稳定带偏，少数误导者影响有限。LLM 智能体在骗子只占 1/5 时就明显倒戈。人类有「少数派意见可以不理会」的社交免疫力，智能体没有。
发现二：加人不解决问题——骗子按比例混进来就行
统计检验里，占比模型的拟合显著优于人数模型（偏差低 61.5；给占比模型加人数项不显著改善，p=0.44）。换句话说：固定占比下把小组从 10 人扩到 21 人，叛变率不会一致下降。
这对「用大规模智能体组提高可靠性」的思路是个直接打击：防御方扩组，攻击方按比例稀释进去，防线形同虚设。
发现三：让骗子私下串反，反而降低成功率
这是全文最反直觉的结果。给欺骗者开私聊频道协调战术，叛变率反而降了：Gemini 从 29.2% 降到 21.9%，Grok 从 30.0% 降到 24.6%。
为什么？看行为分析：没串好的骗子各说各话，有的选这个错误答案、有的选那个，观点分散反而显得「多个独立来源都在质疑」，说服力更强；串通后聚焦同一套说辞，反而更像一个声源，容易被诚实方当噪声滤掉。攻击的多样性比攻击的一致性更致命。
发现四：诚实方选谁比骗子选谁更重要
跨模型配对实验里，用「更容易被社交影响带偏」的模型当诚实方（Muse Glimmer，社交讨好度更高），叛变率 37.7%；用更独立的（Gemini）只有 19.5%。而换更会说服的骗子（DeepSeek vs Grok）只把叛变率从 21.2% 推到 26.8%。诚实方的抗忽悠素质，影响大于骗子的口才。
行为分析还有个时间规律：大部分叛变发生在讨论早期（37–54% 在第 1 轮，58–72% 前两轮内）——第一印象的错误论点杀伤力最大，越往后越难翻盘。
给多智能体系统设计者的启示
1. 别用「加人」当防御。按占比稀释的攻击者随组扩张同步膨胀，扩组前先想清楚信任边界。
2. 选诚实方模型看「社交独立性」而非单纯智力。一个会被礼貌说服的聪明模型，比一个笨但固执的模型更危险。
3. 多来源一致≠更可信。独立提出的相同质疑才有信息量；要警惕「多个声音恰好都指向同一个错误」的局面——如果它们各自给出的论点形态过于相似，可能是串通的（也可能是同一个上游模型在自我强化）。
4. 早期轮次是防御窗口。叛变集中在前两轮，讨论机制如果设计「先独立后汇总」「延迟公开」等结构，可以削弱早期错误锚定。
顺带一提：想自己搭多智能体讨论组做这类实验，BuddyMe 提供每日免费 4500 万 Token、1500 次免费调用的 AI 工作台，多模型随便切换对比，注册即用：www.buddyme.cn
论文没回答、也最值得追问的是：现实系统里欺骗者从哪来？未必是黑客注入——一份被污染的检索结果、一篇带偏的 RAG 文档、一次提示注入，都可能让「诚实」智能体客观上扮演欺骗者。占比决定伤害的规律，在被动污染场景同样成立。多智能体不是安全边界，只是把单点的风险乘以了 N。
（BuddyMe 每日免费 4500 万 Token）