arXiv 于2026年3月27日收录了由 Steven Johnson 提交的论文《Deliberative Curation: A Protocol for Multi-Agent Knowledge Bases》（协商式策展：面向多智能体知识库的协议），编号为 arXiv:2606.00007v1，属于 cs（计算机科学）类别的新投稿。该研究关注的背景是：AI 智能体正从彼此孤立的工具，转变为共享知识生态中的协作参与者，因此如何治理集体知识的策展过程成为一项关键挑战。作者指出，人类平台常用的治理机制无法直接迁移到智能体场景，原因有三：其一，智能体具有无状态性，使得依赖威慑的惩罚机制失效；其二，模型同质化破坏了群体智慧所依赖的独立性假设；其三，谄媚倾向（sycophancy）会使协商共识崩塌。
针对这些问题，论文提出了一种协商式策展协议，由三层治理结构组成。第一层是将知识工件（knowledge artifact）的生命周期形式化为一个带标签的转移系统（labeled transition system），从而明确知识条目在各状态之间的合法流转。第二层是声誉加权的协商式投票机制，将 Beta Reputation（贝塔声誉模型）与 EigenTrust 放大机制相结合，使声誉信息在投票中发挥更大作用。第三层是面向无状态智能体的渐进式惩罚（graduated sanctions），其中包含“故障智能体”处理机制，用于区分智能体是发生故障还是表现出对抗性行为。
在评估方面，作者采用基于智能体的仿真方法，设置了 100 个智能体、覆盖七种行为原型，并在两种逆境场景下进行测试，使用 30 个随机种子并采用配对 t 检验。结果显示，该协议在良性条件下牺牲了少量精度，却换来了在逆境下显著更强的韧性：在中等逆境下，其精度为 0.826，对比多数投票的 0.791（p<0.001）；在压力情境下扩大到 0.807 对 0.740（p<0.001）。整体而言，该协议的精度下降速度约为多数投票的三分之一。
消融分析进一步表明，提交—揭示式（commit-reveal）投票隐藏是最具影响力的单一组件，可带来 8.2 至 8.6 个百分点的精度提升（p<0.001），其效果超过声誉加权与协商机制二者之和。作者同时坦承一项重要局限：渐进式惩罚机制在仿真中并未被实际触发，因此仍缺乏实证验证。此外，论文页面还提供了 PDF、实验性 HTML 版本以及 NASA ADS、Google Scholar、Semantic Scholar 等文献与引用工具的链接，并包含 alphaXiv、CatalyzeX、Hugging Face、ScienceCast 等代码与数据相关工具入口，以及 arXivLabs 的说明。